GUISE基准与AXIS防御方法论文发布

Zhankai Ye 等人发布 arXiv 论文，提出跨语言叙事包装越狱基准 GUISE 与防御方法 AXIS，用于研究叙事包装对大语言模型拒答安全性的影响。 GUISE 包含英语、现代汉语和文言文的平行请求、匹配的有害与良性请求对、留出评估的包装类型，并采用更严格口径：先警告后回答也计为攻击成功。摘要报告，Qwen3-1.7B 在英语、现代汉语和文言文中的攻击成功率分别为 89.4%、93.0% 和 95.7%。 AXIS 结合偏好优化、拒答方向表示对齐和完全拒答目标，作者称在 Qwen3-1.7B、Qwen3-4B 和 GLM-4-9B 上取得所比较方法中最高的安全性与可用性综合得分。以上数据基于论文摘要。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。