隐晦但有效：基于生物启发搜索的古文中文 Jailbreak 提示优化

随着大语言模型（LLM）的日益普及，其安全风险正受到日益关注的注意。现有研究表明，LLM 对 jailbreak 攻击极其敏感，有效性在不同语言上下文中有所不同。本文探讨古文中文在 jailbreak 攻击中的作用。凭借其简洁性和隐晦性，古文中文可部分绕过现有的安全约束，暴露了 LLM 的显著漏洞。基于此观察，本文提出了一个框架 CC-BOS，用于基于多维水果虫优化生成古文中文对抗提示，实现黑盒环境中高效且自动化的 jailbreak 攻击。提示被编码为八个政策维度——涵盖角色、行为、机制、隐喻、表达、知识、触发模式和上下文；并通过嗅搜索、视觉搜索和 Cauchy 变异进行迭代细化。这一设计使我们能够高效地探索搜索空间，从而增强黑盒 jailbreak 攻击的有效性。为增强可读性和评估准确性，我们进一步设计了一个古文中文到英文翻译模块。大量实验表明，所提出的 CC-BOS 持续优于现有的 jailbreak 攻击方法。