ATTCK-R: Knowledge-Aware Long-Horizon Jailbreaking for Protected LLMs

arXiv cs.CR · 14 oct, 06:00

Investigadores presentan ATTCK-R, un framework de red teaming que jailbrequea modelos de lenguaje protegidos mediante optimización de horizonte largo y planificación estructurada. El trabajo demuestra que las evaluaciones de seguridad sin protecciones específicas sobrestiman la robustez real: un ataque multi-turno que lograba 89,6% de éxito en modelos desprotegidos solo alcanzaba 60,8% cuando se añadían defensas basadas en prompts.