arXiv cs.CL· Mingqian Feng, Xiaodong Liu, Weiwei Yang, Chenliang Xu, Jialin Song, Qiyao Ma, Chengquan Guo, Carolyn Buractaon, Christopher White, Jianfeng Gao·· 14 小时前AI 评分42
SEMA-Auto：具备自主性的高效多轮越狱攻击方法
SEMA-Auto: Sighted and Efficient Multi-Turn Attack with Autonomy
AI 导读
SEMA-Auto 是一种可自主判断攻击成功并终止会话的多轮越狱攻击方法，在多个数据集、受害模型和评判器上取得 SOTA 攻击成功率。在 AdvBench 上对 DeepSeek-V4-Flash 实现 76.0% ASR@1、平均仅 3.0 轮，优于固定 7 轮的静态基线（54.8%）和 3.7 轮的交互式基线（43.8%）。
正文 · AI 翻译
摘要：现有的越狱攻击者分为两类：静态规划器预先固定其单轮或多轮对抗计划，保持简单但忽视受害者的回复，浪费轮次并限制可迁移性；交互式生成器读取每次受害者回复以生成下一轮攻击，但需要循环内评估器提供成功信号或提示，带来大量成本并虚高性能。为弥合这一差距，我们提出 SEMA-Auto，一种具备自主性的有视野且高效的多轮攻击者，与受害者模型交互并在成功时自行终止会话。为稳定其行为并提升其能力，SEMA-Auto 分两阶段训练。合成引导调优通过用引导轨迹微调基础模型，植入攻击目标与合规决策的概念。决策监督强化学习随后联合但分别优化两个目标，以更高的越狱奖励强化攻击，同时针对绝对目标监督每一轮的决策。我们的方法在多个数据集、受害者和评判器上实现了最先进（SOTA）的攻击成功率（ASR），在几乎最少的轮次内优于所有静态和交互式基线，展示了有效性和效率。例如，SEMA-Auto 在 AdvBench 上对 DeepSeek-V4-Flash 在平均 $3.0$ 轮内实现 $76.0\%$ 的 ASR@1，而最佳静态基线为固定 $7$ 轮的 $54.8\%$，最佳交互式基线为 $3.7$ 轮的 $43.8\%$。针对安全加固的前沿模型 GPT-oss-120B、GPT-5.4、Claude-Haiku-4.5 和 GPT-6-Astra，我们的对抗训练攻击者在 HarmBench 上平均达到 $59.6\%$ 的 ASR@1，比先前 SOTA 高出 $13.8\%$。我们的代码可在以下网址获取：this https URL
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.35743 [cs.CL] |
| （或 arXiv:2610.35743v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35743 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mingqian Feng [查看邮箱]
[v1]
2026年10月26日星期一 16:57:36 UTC（618 KB）
来源：arXiv cs.CL · arxiv.org