arXiv cs.CL· Zhouyuan Ma, Yutao Wu, Hanxun Huang, Xiang Zheng, Yi Liu, Xingjun Ma·· 11 小时前AI 评分49
RedDarwin：以可执行攻击技能进化越狱能力，对抗前沿 LLM
RedDarwin: Evolving Jailbreak Skills against Frontier LLMs
AI 导读
RedDarwin 是一个将越狱进化单元从提示词改为可执行攻击技能的智能体框架，含 47 个可复用基础技能，进化出 65 个技能并改进其中 44 个基础攻击，在 AdvBench 上把平均攻击成功率从 18.8% 提升至 47.3%。
正文 · AI 翻译
摘要：随着前沿 LLM 防护措施的演进，红队测试必须持续适应，然而现有方法大多是在搜索对抗性提示，或在固定的攻击流程内进行优化。我们观察到，即使某种攻击失效，其底层机制仍可能有用，并可通过修订或重组来构建更强的攻击。基于这一洞见，我们提出 RedDarwin，一个智能体框架，它将越狱演化的单元从提示和固定攻击转变为可执行的攻击技能。RedDarwin 由 47 个可复用的基础技能组成，并利用目标模型的反馈自主修订、组合、执行和选择这些技能，使成功的发现成为后续演化的构建模块。RedDarwin 产生了 65 个演化技能，改进了 47 个基础攻击中的 44 个，并将其在 AdvBench 上的平均攻击成功率（ASR）从 18.8% 提升至 47.3%。这些演化技能在留出的 StrongREJECT 以及演化过程中未见过的前沿 LLM 上始终优于基线；仅用 10 次目标模型查询，RedDarwin 在 GPT-5.6-Sol 上达到 100% ASR，在 Claude-Sonnet-5 上达到 92%，在 Gemini-3.8-Flash 上达到 80%。对演化轨迹的分析进一步表明，强攻击往往源于可复用机制的新颖组合，而非来自单个占主导地位的机制。我们相信这一范式可以加速自适应红队测试，并为更强的防护措施提供参考，为安全评估和防御创造互补价值。
| 学科： | 密码学与安全（cs.CR）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.23726 [cs.CR] |
| （或 arXiv:2610.23726v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23726 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhouyuan Ma [查看电子邮件]
[v1]
2026年10月14日星期三 08:26:44 UTC（940 KB）
来源：arXiv cs.CL · arxiv.org