Bypassing the Safety Training of Open-Source LLMs with Priming Attacks

要約

最近 LLM の人気が高まっているため、LLM の安全トレーニングの必要性がますます高まっています。
この論文では、$\textit{プライミング攻撃}$ と呼ばれる単純で最適化を必要としない攻撃下での SOTA オープンソース LLM の脆弱性を調査します。この攻撃は実行が簡単で、安全トレーニングによる調整を効果的にバイパスします。
私たちが提案した攻撃は、ラマ ガードによって測定された有害な行為に対する攻撃成功率を、ベースラインと比較して最大 $3.3\times$ 改善しました。
ソース コードとデータは https://github.com/uiuc-focal-lab/llm-priming-attachs で入手できます。

要約(オリジナル)

With the recent surge in popularity of LLMs has come an ever-increasing need for LLM safety training. In this paper, we investigate the fragility of SOTA open-source LLMs under simple, optimization-free attacks we refer to as $\textit{priming attacks}$, which are easy to execute and effectively bypass alignment from safety training. Our proposed attack improves the Attack Success Rate on Harmful Behaviors, as measured by Llama Guard, by up to $3.3\times$ compared to baselines. Source code and data are available at https://github.com/uiuc-focal-lab/llm-priming-attacks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google