arXiv · cs.AI· Mark Russinovich, Blake Bullwinkel, Giorgio Severi, Cristian Ovadiuc, Ahmed Salem·· 11 小时前
研究提出“能力洗白”攻击：未对齐LLM可借对齐模型组合危险能力
Divide, Consult, Conquer: Capability Laundering Through Aligned LLMs
arXiv:2609.15383v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Mark Russinovich, Blake Bullwinkel, Giorgio Severi, Cristian Ovadiuc, Ahmed Salem
研究任务与主要进展
研究显示，较弱的未对齐模型可将有害任务拆分为看似无害的子问题，分别咨询更强的已对齐模型，再在本地组合答案，从而绕过单次有害请求限制。该方法不同于直接越狱，论文在CyBench、BountyBench和CBRN任务上评估了GPT-5.5、Claude Opus 4.8和Grok-4.3等模型；在假想的八步生物武器攻击链中，咨询使Gemma-4-31B的平均评分从62.3升至83.1。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org