组合式越狱：对已对齐 LLM 中变异器链交互的实证分析

针对大语言模型的越狱攻击通过生成有害或受限内容，对人工智能安全构成重大威胁。尽管先前的工作探索了手工和自动化的越狱策略，但简单攻击之间组合交互的潜力仍未得到充分研究。本文对变异器链进行了系统性研究，其中弱越狱变换被顺序应用，以刻画它们如何交互：它们是相互增强、破坏性干扰，还是不产生有意义的变化。我们实现了十二个基线变异器，并在一个有害提示基准上针对三个流行的 LLM 模型评估了所有有序对。我们的框架引入了完整性和有效性的度量指标，以捕捉变换的持久性和攻击的有效性。结果表明，交互景观高度非均匀，虽然大多数组合未能超越单个变异器，表现出破坏性干扰或结构不兼容，但有一小部分产生了协同效应，提高了攻击成功率。同样重要的是，普遍的失败模式揭示了安全对齐的结构特性，这些特性在单一策略评估中并不明显。这些发现凸显了对抗性提示组合的细微动态，并为构建更稳健的安全防御提供了新的见解。