Jailbreaking Large Language Models Through Content Concretization

doi:10.1007/978-3-032-08064-6_20

Jailbreaking Large Language Models Through Content Concretization

2026-01-01

0

PRE

AI

Panos Papadimitratos *

DOI：10.1007/978-3-032-08064-6_20

原文链接

原文求助

摘要

En 中文

大语言模型（LLMs）越来越多地用于任务自动化和内容生成，但其安全机制仍易受不同越狱技术的规避。本文提出内容具体化（CC）这一新型越狱技术，通过迭代将抽象恶意请求转化为具体、可执行的实现。CC是一个两阶段过程：首先使用低层级、约束较少的安全过滤模型生成初始LLM响应，然后通过高层级模型对初步输出和原始提示进行细化。我们使用350个网络安全特定提示评估该技术，结果表明越狱成功率（SR）显著提升，从无细化的7%提高到三次迭代后的62%，同时每提示成本为7.5美分。在九个不同LLM评估者中进行的A/B测试证实，额外细化步骤的输出被一致评为更具恶意性和技术优越性。此外，手动代码分析显示生成的输出仅需最小修改即可执行，但最佳部署通常需要针对目标进行微调。随着有害代码生成能力的最终改进，这些结果突显了当前LLM安全框架中的关键漏洞。

Keyword:

Malicious Code Generation

AI Safety

Large Language Models

Jailbreaking

Cybersecurity

Jailbreaking Large Language Models Through Content Concretization

摘要

期刊

机构

引用论文