Red-TTT：面向大语言模型自动化越狱的测试时训练

Red-TTT 提出用测试时训练做自动化越狱：攻击过程中不再冻结攻击者权重，而是持续更新其提议分布，避免攻击信号只留在上下文窗口、攻击结束后被丢弃。现有方法要么在测试时靠搜索、改写和树扩展增加采样，要么用强化学习离线训练更强的攻击者，两者在针对某一目标行为发起攻击后权重都固定不变。