提出结构编码的Best-of-N越狱方法并分析防御失效

Haoyu Zhang等作者提交论文，把Best-of-N搜索与结构编码结合用于越狱，并针对已发表的自检防御SAGE测试。在代码补全编码上，该方法在三个开源权重目标模型上分别达到67%、22%和15%的行为触发率。 论文称，同一编码单次仅4.7%，已发表的字符搜索满预算仅3.0%，因此该方法的触发率相当于各部分之和的9至68倍。论文短版本已被NeurIPS 2026 JUDGe workshop接收为海报（非存档）。 该研究据此分析SAGE这类自检防御为何失效。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。