MEEA：基于 mere exposure效应驱动的对抗性优化用于 LLM Jailbreaking
人工智能
2025-12-23 v1
摘要
大语言模型（LLM）的快速发展加剧了其安全对齐稳健性的关注。虽然现有的越狱研究探索了单轮和多轮策略，但大多数方法隐含地假设安全边界是静态的，且未考虑情境互动如何动态影响模型行为，从而导致稳健性和泛化性有限。针对这一差距，我们提出 MEEA（mere exposure效应攻击），一种受心理学启发的、完全自动化的黑盒框架，用于评估多轮安全稳健性，基于 mere exposure效应。MEEA 利用反复的低毒性语义曝光来逐渐改变模型有效安全阈值的机制，通过持续的互动实现对齐约束的渐进性削弱。具体而言，MEEA 构建语义渐进式提示链，并利用基于语义相似性、毒性和越狱有效性的模拟退火策略进行优化。在封闭源和开源模型（包括 GPT-4、Claude-3.5 和 DeepSeek-R1）上的大规模实验表明，MEEA 在所有模型上均实现了高于七个代表性基线方法的更高攻击成功率，平均攻击成功率提升超过 20%。消融研究进一步验证了退火优化和情境曝光机制的必要性。除提高攻击效果外，我们的发现表明 LLM 安全行为本质上是动态的且依赖历史的，这挑战了常见的静态对齐边界假设，凸显了面向互动的安全评估与防御机制的必要性。我们的代码已公开：https://github.com/Carney-lsz/MEEA
关键词
引用
@article{arxiv.2512.18755,
title = {MEEA: Mere Exposure Effect-Driven Confrontational Optimization for LLM Jailbreaking},
author = {Jianyi Zhang and Shizhao Liu and Ziyin Zhou and Zhen Li},
journal= {arXiv preprint arXiv:2512.18755},
year = {2025}
}