是什么驱动了大模型方言越狱？表层形式、文化语境与策略库消融研究

一项针对大语言模型方言越狱机制的消融研究表明，方言表层形式并非高攻击成功率的关键，策略库表现力才是主要驱动因素。测试中未优化的普通话与方言翻译攻击成功率均低于 8%，而采用优化器控制策略库后攻击成功率达到 98%-100%。文化中立的通用策略库同样能达到该上限，方言选择则主要影响查询效率与响应严重程度。