计算机科学 > 密码学与安全
[提交于 2025年7月14日
]
标题: 通过红队和对抗训练实现大型模型的无PRM安全对齐
标题: PRM-Free Security Alignment of Large Models via Red Teaming and Adversarial Training
摘要: 大型语言模型(LLMs)在各种应用中表现出显著的能力,但它们带来了重大的安全风险,威胁其在关键领域的安全部署。 当前的安全对齐方法主要依赖于过程奖励模型(PRMs)来评估中间推理步骤,这带来了显著的计算开销和可扩展性限制。 本文提出了一种无需PRM的安全对齐框架,该框架利用自动化红队测试和对抗训练来实现稳健的安全保证,同时保持计算效率。 我们的方法通过复杂的攻击策略系统地识别漏洞,包括遗传算法优化、多智能体模拟和先进的提示变异技术。 该框架通过课程学习和自适应正则化机制进行有针对性的对抗训练,以增强模型的鲁棒性。 在五种最先进的LLMs上的全面实验评估表明,与基于PRM的方法相比,我们的方法在减少61%计算成本的同时实现了更优越的安全对齐性能。 该框架包含透明报告和持续审计机制,能够实现迭代的安全改进和合规性。 我们的贡献通过为资源有限的组织民主化提供稳健的安全措施,并为应对不断演变的对抗性威胁提供可扩展的基础,推动了高效LLM安全对齐领域的发展。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.