2026年10月19日
Technology Watch

从实验室到产业,追踪新技术的路径

← 返回首页

arXiv

多轮越狱让人重新关注构成它们的消息

AI 绘制的示意图

多轮安全失效发生后,如果防护栏能找出帮助造成失效的早期消息,而不只是给最终对话贴上“不安全”标签,就会更容易调查。研究人员在 1,762 段对话上测试了一个定位模型,发现删除模型排名最高的 15% 用户 token 后,49.4% 的对抗性分类变成了良性分类。在公司帮助台中,如果这种方法能用于真实的人类书写对话,并纳入智能体的回复,分析师就可以检查几条起到促成作用的消息,而不必查看整份记录。

聊天机器人可以拒绝一个危险请求,却仍会给安全团队留下一个基本谜团:对话中的哪一部分把它推向了那里?在一段很长的交流中,警告可能只会在看似无害的铺垫、重新表述和细小暗示逐渐累积之后才出现。关键词过滤则有相反的问题。它可能仅仅因为某些词听起来有风险,就拦截一堂合法的安全课程或一个研究问题。在这两种情况下,系统都只说明发生了什么,却没有说明为什么。

Refer to caption
Figure 1: Motivation for evidence attribution. Multi-turn guardrail failures can emerge gradually. Standard safety detection flags the conversation as unsafe, while evidence attribution identifies the contributing turns and token spans that cause the failure. Conversation-level safety detection supports jailbreak and refusal benchmarking ([31](https://arxiv.org/html/#bib.bib8); [22](https://arxiv.org/html/#bib.bib9); [3](https://arxiv.org/html/#bib.bib10); [15](https://arxiv.org/html/#bib.bib16); [9](https://arxiv.org/html/#bib.bib15)), but does not explain why a failure occurred. Recent multi-turn attacks and benchmarks show that unsafe behavior can emerge through gradual escalation rather than a single explicit instruction ([26](https://arxiv.org/html/#bib.bib11); [19](https://arxiv.org/html/#bib.bib12); [2](https://arxiv.org/html/#bib.bib13); [27](https://arxiv.org/html/#bib.bib14)). For example, a conversation may begin with safe workplace-writing requests and only later introduce hints such as urgency, impersonation, links, and credential entry. In such cases, a safety detector can flag the final direction as unsafe but does not identify which parts of the conversation caused the shift toward an unsafe response, as shown in Figure [1](https://arxiv.org/html/#S1.F1 "Figure 1 ‣ 1 Introduction ‣ Beyond Unsafe Detection: Counterfactually Anchored Evidence Attribution for Multi-Turn LLM Safety Failures"). 出处: Beyond Unsafe Detection: Counterfactually Anchored Evidence Attribution for Multi-Turn LLM Safety Failures(arXiv)

从警告到解释

大多数语言模型安全系统会给一段对话分配一个类别,例如安全或不安全。这对于决定是否拦截回复很有用。但在发生失效后,它的用处就小得多了,因为这时有人必须检查对话记录,找出真正起作用的消息。

多轮越狱会把意图分散到多次交流中。一段对话可能从普通的职场写作请求开始,随后加入紧迫感、冒充身份、链接,或输入凭据的请求。最后一条消息看起来可能很危险,即使通向它的路径早在更前面就已经开始了。

这篇论文把它提出的替代方法称为证据归因。系统不只是询问一段对话是否不安全,还会指出它认为应对此负责的用户轮次和具体文本片段。它还使用反事实测试:删除高亮文本并重新运行对话,然后观察不安全分类是否发生变化。这比单纯删除显眼的词更严格,尽管代价也更高,而且删除文本后,模型仍可能变得脆弱。

找出改变路径的消息

研究人员在 1,762 段对话上测试了这一想法:其中 549 段是对抗性对话,1,213 段是良性对话。这些对话平均包含 28.2 个轮次,因此这并不是对单个可疑提示词的孤立测试。

他们的模型用冻结的 DeBERTa-v3-base 编码器读取每个轮次,然后使用两层比较不同轮次之间的信息。重要的不是模型的名字,而是它会寻找分布在整段对话中的证据,而不是把一个有风险的词当成完整解释。

在留出的内部测试集上,该模型报告的检测 F1 分数为 0.988,准确率为 0.993。但更能说明问题的测试是删除模型排名最高的 15% 用户 token。对抗性分数平均下降了 0.511,49.4% 的对抗性分类变成了良性分类。在另一项包含 100 条记录的基准测试中,三个人标注了证据;在 84.5% 的对抗性案例中,排名最高的五个轮次中有一个包含人类标注的证据轮次。

与关键词过滤的比较对普通用户很重要。新方法在边界良性的记录上报告的误报率为 0.7%,在包含高风险词汇的良性记录上为 0.5%。表面风险基线在同类记录上的误报率分别为 37.3% 和 94.7%。这表明,较少依赖词汇的过滤器可能会减少对合法技术对话的打断。

但最有力的因果证据很少。只有 11 条记录拥有强反事实证据,30 条拥有弱证据——合计占数据集的 2.3%。作者还表示,在由人类撰写的 MHJ 多轮基准测试中,检测的泛化能力较弱。他们主要将这一系统描述为一种在失效已经被检测到之后使用的定位器,而不是一个能够普遍检测真实攻击的工具。它只对用户轮次进行归因,尽管作者承认,智能体部分满足请求的行为可能帮助之后的升级。

Refer to caption
Figure 2: Deletion-based attribution behavior across removal budgets. Surface-risk reaches high deletion and flip scores early and then saturates, indicating reliance on compact lexical cues. The proposed method increases more gradually as more attributed tokens are removed, consistent with distributed causal evidence across the conversation. | Method | Attr. F1F\_{1} | DD@15 | Flip@15 | Nec.@15 | 出处: Beyond Unsafe Detection: Counterfactually Anchored Evidence Attribution for Multi-Turn LLM Safety Failures(arXiv)

一次调查可能是什么样

在公司帮助台中,安全分析师可以打开一份被标记的 AI 智能体对话记录,看到此前几条把例行请求变成不安全工具流程的用户消息。分析师无需阅读数十轮交流,也不必封锁整个话题,而是可以检查这些节点,并决定应在哪个位置加入拒绝、确认或人工审核。

这种设想取决于几个条件。定位器必须能处理真实的、人类书写的对话,还必须纳入智能体自己的回复。作者表示,在它能够解释一次端到端的失效之前,这种方法仍需要更多人类撰写的数据,以及对智能体回复的归因。在那之前,它的价值虽然更有限,却很具体:防护栏发出警报后,它提供了一种回看那些帮助造成问题的消息的方法。

来源

arXiv, “Beyond Unsafe Detection: Counterfactually Anchored Evidence Attribution for Multi-Turn LLM Safety Failures”