逐词生成：增量补全分解突破 LLM 安全机制
计算与语言
2026-04-30 v1 密码学与安全
摘要
大语言模型(LLM)被训练以拒绝有害请求，但它们仍然容易受到越狱攻击，这些攻击利用了对话安全机制中的弱点。我们引入了增量补全分解(ICD)，这是一种基于轨迹的越狱策略，在引出完整回复之前，先引出与恶意请求相关的一系列单词续写。此外，我们通过手动挑选或模型生成单词续写，以及在最后一步引出完整模型回复时使用预填充，提出了 ICD 的变体。我们在广泛的模型家族中系统地评估了这些变体，证明了在 AdvBench、JailbreakBench 和 StrongREJECT 上，相较于现有方法具有更优的攻击成功率(ASR)。此外，我们提供了 ICD 为何有效的理论解释，并提出了机制证据，表明成功的攻击轨迹系统性地抑制了与拒绝相关的表示，并将激活状态推离安全对齐状态。
引用
@article{arxiv.2604.25921,
title = {One Word at a Time: Incremental Completion Decomposition Breaks LLM Safety},
author = {Samee Arif and Naihao Deng and Zhijing Jin and Rada Mihalcea},
journal= {arXiv preprint arXiv:2604.25921},
year = {2026}
}