Diagnose Before You Refine: Multi-Dimensional Judge Feedback for Query-Efficient Jailbreak Attacks

arXiv cs.CR · 15 oct, 06:00

Investigadores presentan JSB (Jev-Guided Strategy Bandit), un framework automatizado para ataques de jailbreak contra LLMs que optimiza prompts adversariales con feedback probabilístico multidimensional. El método logra una tasa de éxito del 89,8% en el benchmark HarmBench con solo 10 consultas al modelo objetivo, superando a métodos previos de jailbreak automatizado.