技術研究　arXiv AI Security　2026-10-15 13:00

少ない試行で脱獄、多面的な採点で攻撃を改善

原題　Diagnose Before You Refine: Multi-Dimensional Judge Feedback for Query-Efficient Jailbreak Attacks

自動脱獄攻撃は評価フィードバックで敵対的プロンプトを最適化するが、診断情報が粗い。この論文は多次元の判定フィードバックを使い、少ない問い合わせで効率よく攻撃する手法を提案した。

論点

脱獄攻撃の手法は公開すべきか

みんなの立場0票

賛成0%0票

反対0%0票

どちらでもない0%0票

まだ投票はありません。あなたはどう思う？

議論のヒントを見る

賛成側の視点

攻撃を先に磨いて見せないと防御は育たない。公開こそ安全への近道だ。

反対側の視点

効率的な攻撃手順を配るのは悪用の手引きだ。防御側より攻撃側が得をする。