arXiv cs.AI· Zhankai Ye, Yanning Wang, Yukai Jin, Bo Mei, Fangyi Li, Wei Wang, Shangqian Gao, Xin Liu·· 25 天前AI 评分43
叙事包装如何影响大语言模型拒绝机制：跨语言基准与防御方案
How Narrative Wrapping Affects LLM Refusal: A Cross-Language Benchmark and Defense
AI 导读
新研究发现叙事包装会大幅削弱大语言模型安全防御，Qwen3-1.7B 的攻击成功率在英文、现代中文及文言文中分别达 89.4%、93.0% 与 95.7%。团队为此构建了跨语言基准 GUISE，并提出结合偏好优化与表征对齐的防御方法 AXIS。实验表明，AXIS 在 Qwen3-1.7B、Qwen3-4B 和 GLM-4-9B 上均取得了最高的综合安全与可用性评分。
来源：arXiv cs.AI · arxiv.org