逃逸对齐：Best-of-N 越狱攻击的物理势阱模型

研究提出一种基于热激活势垒的物理模型来解析大模型 Best-of-N（BoN）越狱攻击，仅用 4 个可解释参数即可确定包含增强数 N、采样数 M 和生成温度 T 的完整攻击面。该模型纠正了攻击成功率（ASR）遵循幂律的传统假设，能将 N ≤ 100 的预测外推至 N = 10^4，并成功将 5 个不同模型的数据收敛至同一缩放函数。