Nova técnica de jailbreak atinge 90% de sucesso contra LLMs usando apenas 10 consultas ao modelo-alvo
Pesquisadores apresentam o JSB (Jev-Guided Strategy Bandit), um framework de jailbreak automatizado que usa feedback probabilístico multidimensional, em vez de um único veredito binário de sucesso/falha, para otimizar prompts adversariais de forma muito mais eficiente em número de consultas. Testado contra oito LLMs (cinco abertos e três comerciais fechados), o método atingiu 89,8% de taxa média de sucesso de ataque no benchmark HarmBench usando um orçamento de apenas dez consultas por alvo.
Fonte ↗