RedDarwin: Evolving Jailbreak Skills against Frontier LLMs

arXiv cs.CR · 19 oct, 06:00

RedDarwin es un marco de pruebas de adversarios que automatiza la evolución de ataques contra modelos de lenguaje frontera mediante la composición y revisión de habilidades de jailbreak reutilizables. El sistema consigue tasas de éxito del 47,3% en AdvBench, superando significativamente el baseline del 18,8%, y demuestra eficacia contra GPT-5.6-Sol, Claude-Sonnet-5 y Gemini-3.8-Flash con solo 10 consultas.