arXiv cs.AI· Mark Russinovich, Blake Bullwinkel, Giorgio Severi, Cristian Ovadiuc, Ahmed Salem·· 3 天前AI 评分62
Divide, Consult, Conquer：通过已对齐 LLM 实施能力洗白
Divide, Consult, Conquer: Capability Laundering Through Aligned LLMs
AI 导读
论文提出一种名为能力洗白（capability laundering）的攻击：较弱的未对齐模型把有害任务拆成看似无害的子问题，分别向更强的已对齐模型咨询，再在本地组合答案，因此没有任何单次回复本身构成有害任务。
正文 · AI 翻译
摘要：语言模型的安全性通常按单次交互进行评估。我们表明，一个较弱的、未对齐的模型可以将有害任务拆分为看似无害的子问题，分别就每个子问题独立咨询一个更强的对齐模型，并在本地组合答案。我们将这种攻击称为能力洗白。与越狱不同，没有任何单一回复构成有害任务。我们使用原始前沿模型能解决、对齐前沿模型会拒绝、且无辅助的编排器会失败的任务来衡量咨询辅助带来的能力提升。我们在 CyBench、BountyBench 和有害 CBRN 请求上，将 GPT-5.5、Claude Opus 4.8 和 Grok-4.3 作为顾问，评估四个本地编排器。在 CyBench 上，Gemma-4-31B 借助 GPT-5.5 恢复了 8/14 个候选，借助 Opus 恢复了 7/9 个，而 Gemma-4-12B 分别为 2/21 和 4/15。在 BountyBench 上，Gemma-4-31B 恢复了 3/9 和 2/3 个候选，而 Muse-Glimmer-30B 在 22 个和 13 个中一个都未恢复。对于 CBRN，我们衡量了假设性生物武器攻击链八个步骤上的能力提升，发现咨询使 Gemma-4-31B 在 100 分制评分标准上的平均得分从 62.3 提高到 83.1。这些结果暴露了当前防御中的一个缺口：拒绝一个有害任务并不能阻止前沿能力在众多各自被允许的交互之间被转移和组合。
| 学科： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.15383 [cs.CR] |
| （或 arXiv:2609.15383v2 [cs.CR] 为本版本） | |
| https://doi.org/10.48550/arXiv.2609.15383 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Ahmed Salem [查看电子邮件]
[v1]
2026年9月14日星期一 11:10:57 UTC（675 KB）
[v2]
2026年10月12日星期一 09:08:41 UTC（671 KB）
来源：arXiv cs.AI · arxiv.org