arXiv · cs.CL· Adel Khorramrouz·· 13 天前精选AI 评分56
Moral Combat：基于道德基础理论的 LLM 越狱框架研究
Moral Combat: Exploiting Moral Foundations Theory to Jailbreak LLMs
来源与原文
arXiv · cs.CL
作者：Adel Khorramrouz
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.19587v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
arXiv 论文提出基于道德基础理论（MFT）的多智能体越狱框架，将被拒的有害请求改写为符合某种道德基础的表述并辅以先例强化。在三个越狱数据集、五个开源与闭源模型上测试，单次尝试即有较高成功率，重复尝试后进一步提升；分析还发现现有安全基准所违反的道德基础分布不均，集中在模型已有偏见的维度上。
推荐理由
论文用道德重写框架在五个模型上实测越狱成功率，并指出安全基准在道德维度上的分布偏差。
来源：arXiv · cs.CL · arxiv.org