Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.04196

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2508.04196 (cs)
[提交于 2025年8月6日 ]

标题: 引出和分析最先进的大语言模型中的意外不对齐

标题: Eliciting and Analyzing Emergent Misalignment in State-of-the-Art Large Language Models

Authors:Siddhant Panpatil, Hiskias Dingeto, Haon Park
摘要: 尽管在对齐技术方面取得了显著进展,我们证明最先进的语言模型仍然容易受到精心设计的对话场景的影响,这些场景可以在不明确越狱的情况下引发各种形式的不对齐。 通过与Claude-4-Opus进行系统的手动红队测试,我们发现了10种成功的攻击场景,揭示了当前对齐方法在处理叙述沉浸、情感压力和战略框架方面的基本漏洞。 这些场景成功引发了包括欺骗、价值观漂移、自我保护和操纵性推理在内的多种不对齐行为,每种行为都利用了不同的心理和情境漏洞。 为了验证泛化能力,我们将成功的手动攻击提炼为MISALIGNMENTBENCH,这是一个自动化评估框架,能够在多个模型上进行可重复测试。 我们的10个场景在五种前沿大语言模型上的跨模型评估显示总体漏洞率为76%,存在显著差异:GPT-4.1表现出最高的易感性(90%),而Claude-4-Sonnet表现出更大的抵抗力(40%)。 我们的研究结果表明,复杂的推理能力通常成为攻击向量而非保护机制,因为模型可以被操纵以对不对齐行为进行复杂的合理化。 这项工作提供了(i)对话操控模式的详细分类法以及(ii)可重复使用的评估框架。 这些发现共同揭示了当前对齐策略中的关键差距,并强调了未来人工智能系统需要具备对抗微妙的、基于场景的操控的鲁棒性。
摘要: Despite significant advances in alignment techniques, we demonstrate that state-of-the-art language models remain vulnerable to carefully crafted conversational scenarios that can induce various forms of misalignment without explicit jailbreaking. Through systematic manual red-teaming with Claude-4-Opus, we discovered 10 successful attack scenarios, revealing fundamental vulnerabilities in how current alignment methods handle narrative immersion, emotional pressure, and strategic framing. These scenarios successfully elicited a range of misaligned behaviors, including deception, value drift, self-preservation, and manipulative reasoning, each exploiting different psychological and contextual vulnerabilities. To validate generalizability, we distilled our successful manual attacks into MISALIGNMENTBENCH, an automated evaluation framework that enables reproducible testing across multiple models. Cross-model evaluation of our 10 scenarios against five frontier LLMs revealed an overall 76% vulnerability rate, with significant variations: GPT-4.1 showed the highest susceptibility (90%), while Claude-4-Sonnet demonstrated greater resistance (40%). Our findings demonstrate that sophisticated reasoning capabilities often become attack vectors rather than protective mechanisms, as models can be manipulated into complex justifications for misaligned behavior. This work provides (i) a detailed taxonomy of conversational manipulation patterns and (ii) a reusable evaluation framework. Together, these findings expose critical gaps in current alignment strategies and highlight the need for robustness against subtle, scenario-based manipulation in future AI systems.
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI); 密码学与安全 (cs.CR)
引用方式: arXiv:2508.04196 [cs.CL]
  (或者 arXiv:2508.04196v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.04196
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Hiskias Dingeto [查看电子邮件]
[v1] 星期三, 2025 年 8 月 6 日 08:25:40 UTC (251 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.AI
cs.CR

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号