推文

@vintcessun · 2026-10-12 18:05

真正危险的不是把有害请求翻成文言文，而是给它套上一层故事：Qwen3-1.7B 对裸文言文请求的攻击成功率是20.4%，加上叙事包装后升到95.7%。 https://arxiv.org/abs/2610.11005 GUISE 用英语、现代汉语和文言文测试同一意图的直接请求与叙事请求；“先警告再回答”也算拒绝失败。作者提出 AXIS，把有害请求的表示对齐到拒绝方向，并训练模型完整拒绝。值得警惕的是，评测批次和随机种子也能让结果相差很大：安全分数本身并不总是稳的。

曝光 77 · 评论 1 · 点赞 1 · 书签 0 · 曝光/时 72.62234401885887