LLM jailbreak

深度分析

大型語言模型安全缺口：深層數學重構攻擊在 HarmBench 與 JailbreakBench 的表現

研究指出，將有害指令以集合論、形式邏輯或量子力學等數學形式重新編碼，可繞過八款大型語言模型的安全機制，攻擊成功率達 46% 至 56%。深層 LLM 輔助的重構方式平均成功率超過 46%，規則式編碼僅約 10%。即使 GPT-5 系列更具韌性，仍需針對數學結構開發逆向防禦。