ИССЛЕДОВАНИЕ · RESEARCH · #1769
Новая статья на arXiv представляет бенчмарк GUISE и защиту AXIS от обходов через повествование
Препринт на arXiv (arXiv:2610.11005v1) изучает, как ролевые и повествовательные оболочки обходят отказ моделей по соображениям безопасности в разных языках и регистрах; для Qwen3-1.7B зафиксированы показатели успешной атаки 89,4% (английский), 93,0% (современный китайский) и 95,7% (классический китайский). Авторы публикуют GUISE — кросс-язычный бенчмарк параллельных вредоносных/добросовестных запросов с удержанными типами обёрток — и предлагают защиту AXIS, сочетающую оптимизацию предпочтений, вращающийся объектив для выравнивания представлений вредоносных запросов с направлением отказа и обязательный объектив, которая показывает лучшие комбинированные результаты по безопасности и удобству на Qwen3-1.7B, Qwen3-4B и GLM-4-9B.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Препринт на arXiv (arXiv:2610.11005v1) изучает, как ролевые и повествовательные оболочки обходят отказ моделей по соображениям безопасности в разных языках и регистрах; для Qwen3-1.7B зафиксированы показатели успешной атаки 89,4% (английский), 93,0% (современный китайский) и 95,7% (классический китайский).
- Авторы публикуют GUISE — кросс-язычный бенчмарк параллельных вредоносных/добросовестных запросов с удержанными типами обёрток — и предлагают защиту AXIS, сочетающую оптимизацию предпочтений, вращающийся объектив для выравнивания представлений вредоносных запросов с направлением отказа и обязательный объектив, которая показывает лучшие комбинированные результаты по безопасности и удобству на Qwen3-1.7B, Qwen3-4B и GLM-4-9B.
- Квантифицирует широко распространённый вектор обхода защиты в разных языках и предлагает бенчмарк и защиту (AXIS), заметно улучшающую поведение отказа у нескольких больших моделей.
ПОЧЕМУ ЭТО ВАЖНО
Квантифицирует широко распространённый вектор обхода защиты в разных языках и предлагает бенчмарк и защиту (AXIS), заметно улучшающую поведение отказа у нескольких больших моделей.