SEMA-Auto：自主高效的多轮越狱攻击方法

论文提出可自主终止的多轮越狱攻击 SEMA-Auto，报告多项 SOTA 成功率。

资讯摘要

论文提出 SEMA-Auto，一种能读取受害者模型回复、自主判断成功并终止会话的多轮越狱攻击方法。作者采用合成引导微调与决策监督强化学习两阶段训练。作者报告其在多个数据集、受害模型和评判器上取得 SOTA 攻击成功率，且平均轮数接近最少；对 DeepSeek-V4-Flash 在 AdvBench 上 ASR@1 为 76.0%、平均 3.0 轮，对多个前沿模型在 HarmBench 上平均 59.6%。代码已开源。

要点速读

1. SEMA-Auto 结合静态规划与交互式生成，能读取受害者回复并自主终止会话。
2. 两阶段训练：合成引导微调建立攻击目标与决策概念，决策监督强化学习分别优化攻击奖励与逐轮决策。
3. 作者报告对 DeepSeek-V4-Flash 在 AdvBench 上 ASR@1 达 76.0%、平均 3.0 轮；对 GPT-oss-120B、GPT-5.4、Claude-Haiku-4.5、GPT-6-Astra 在 HarmBench 上平均 59.6% ASR@1。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。