M³：将多轮越狱建模为马尔可夫决策过程的多LLM系统

M³将多轮越狱建模为MDP，作者报告ASR显著提升。

资讯摘要

论文提出M³，一个自动化红队框架，将多轮越狱形式化为有限时域马尔可夫决策过程。攻击者LLM与目标LLM交互，并通过状态LLM维护紧凑内部状态。作者报告在两个基准、六个目标模型上，M³的ASR@5最高提升53%；使用轻量攻击者时，ASR@1和ASR@5分别最高提升26%和34%。

要点速读

1. 论文将多轮越狱建模为有限时域MDP，由攻击者LLM、目标LLM和状态LLM组成。
2. 作者报告在两个基准、六个目标模型上，ASR@5最高提升53%。
3. 使用轻量攻击者时，ASR@1和ASR@5分别最高提升26%和34%，且不依赖预定义风险分类体系。

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 2026/10/27 08:00:28（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。