进化方法而非提示：大语言模型越狱攻击的进化合成
计算与语言
2026-05-19 v2 密码学与安全
摘要
针对大语言模型（LLM）的自动化红队框架已变得日益复杂，但许多框架仍主要在提示空间中进行攻击优化。换句话说，这些方法主要搜索更好的攻击措辞或更好的策略选择，但它们不搜索可执行代码。通过将搜索转移到代码空间，我们不仅可以优化最终的攻击提示，还可以优化生成攻击提示的过程，包括执行流程、可重用逻辑、分支和故障驱动修复。为克服这一差距，我们引入了 EvoSynth，一个自主多智能体框架，它将优化空间从提示转移到可执行代码。EvoSynth 不直接优化提示，而是采用多智能体系统来自主设计、进化和执行基于代码的攻击算法。关键在于，它包含一个代码级自我修正循环，使其能够根据目标模型的反馈和失败的尝试，迭代地重写基于代码的算法。通过大量实验，我们证明 EvoSynth 对像 Claude-Sonnet-4.5 这样高度鲁棒的模型实现了 85.5% 的攻击成功率（ASR），在评估目标上的平均 ASR 达到 95.9%，同时生成的攻击比现有方法显著更多样化。我们发布我们的框架，以促进在可执行代码空间中进行进化合成的未来研究。
引用
@article{arxiv.2511.12710,
title = {Evolve the Method, Not the Prompts: Evolutionary Synthesis of Jailbreak Attacks on LLMs},
author = {Yunhao Chen and Xin Wang and Juncheng Li and Yixu Wang and Jie Li and Yan Teng and Yingchun Wang and Xingjun Ma},
journal= {arXiv preprint arXiv:2511.12710},
year = {2026}
}