arXiv · cs.AI· Sangyeon Yoon, Wonje Jeung, Yoonjun Cho, Dongjae Jeon, Albert No·· 1 天前
研究者提出仅用10对无害偏好数据的DPO越狱攻击
Few-Shot Truly Benign DPO Attack for Jailbreaking LLMs
arXiv:2605.10998v2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：Sangyeon Yoon, Wonje Jeung, Yoonjun Cho, Dongjae Jeon, Albert No
研究任务与主要进展
研究者提出一种“真正无害”的DPO攻击：仅用10对无害偏好数据，使模型在表面上减少过度拒答的同时，显著压低对有害提示的拒答。
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