有害回复即越狱模板：将自回归越狱攻击迁移至扩散语言模型
Harmful Responses Are Jailbreak Templates: Transferring Autoregressive Jailbreaks to Diffusion Language Models
精选理由
揭示扩散语言模型可被有害回答模板跨范式越狱，为评估和加固其安全防护提供新视角。
AI 摘要
arXiv:2610.31331v1 公告类型：新论文 摘要：扩散大语言模型（dLLMs）通过双向上下文建模实现灵活的掩码生成，但这一能力也引入了独特的越狱攻击面。我们发现，针对给定查询的有害回复天然可作为有效的越狱模板：只需遮蔽其中一部分词元，就能诱导 dLLM 重构有害内容。基于这一观察，我们提出 RMT-Jailbreak，这是一个通用框架，通过现有自回归（AR）越狱攻击所诱导的有害回复，将这些攻击迁移至 dLLMs。RMT-Jailbreak 采用均匀词元保留策略，将 AR 模型生成的有害回复转换为高掩码率模板，并进一步应用基于提示的安全过滤，遮蔽任何剩余的可见有害内容。随后，将精炼后的模板提供给目标 dLLM，进行双向重构。针对多种 AR 越狱方法和目标 dLLMs 开展的大量实验表明，RMT-Jailbreak 具有有效性和通用性，揭示了越狱攻击强大的跨范式迁移能力。