2026年10月19日
Technology Watch

從實驗室到產業,追蹤新技術的路徑

← 回首頁

arXiv

多輪越獄將我們帶回構成它們的訊息

AI 繪製的示意圖

多輪安全失敗事件會更容易調查:當防護機制找出哪些較早的訊息協助促成失敗,而不只是將最後的對話標記為不安全時,情況尤其如此。研究人員在 1,762 段對話上測試了一個定位模型,發現移除模型排名最高的 15% 使用者 token 後,有 49.4% 的對抗性分類轉為無害。在公司服務台中,如果這種方法能用於即時的人類撰寫對話,並納入代理的回覆,分析師就能檢查幾則促成失敗的訊息,而不是查看整份逐字記錄。

聊天機器人可以拒絕危險要求,卻仍讓安全團隊面對一個基本謎團:對話中的哪一部分把它推向了那裡?在一段漫長的交流中,警告可能要等到看似無害的鋪陳、重新措辭和細微提示逐漸累積後才出現。關鍵字篩選器則有相反的問題。它可能只因文字聽起來有風險,就封鎖一堂正當的安全課程或研究問題。在這兩種情況下,系統都只說明發生了什麼,而不是為什麼發生。

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"). 出處: Beyond Unsafe Detection: Counterfactually Anchored Evidence Attribution for Multi-Turn LLM Safety Failures(arXiv)

從警告到解釋

大多數語言模型安全系統會為對話指定一個類別,例如安全或不安全。這對決定是否封鎖回覆很有用。但在發生失敗後,它的用處就小得多,因為這時有人必須檢查逐字記錄,找出真正關鍵的訊息。

多輪越獄會把意圖分散在數次交流中。對話可能從一般的職場寫作要求開始,接著加入緊迫感、冒充身分、連結,或要求輸入憑證。最後一則訊息看起來可能很危險,但通往它的路徑其實早在更前面就已經開始。

論文將它的替代方法稱為證據歸因。系統不只詢問對話是否不安全,還會指出它認為需要負責的使用者回合,以及其中具體的文字片段。它也採用反事實測試:移除標示出的文字並重新播放對話,接著查看不安全分類是否改變。這比單純刪除醒目的詞語更有力,但成本也更高;而且移除文字後,模型仍可能變得脆弱。

找出改變路徑的訊息

研究人員在 1,762 段對話上測試這個想法:其中 549 段是對抗性對話,1,213 段是無害對話。這些對話平均有 28.2 個回合,因此這不是只測試一個孤立的可疑提示。

他們的模型使用凍結的 DeBERTa-v3-base 編碼器讀取每個回合,接著使用兩層比較不同回合間資訊的模型。重要的不是模型的名稱,而是它會尋找分散在整段對話中的證據,而不是把某個有風險的詞視為完整解釋。

在保留作內部測試的資料分割上,模型回報的偵測 F1 分數為 0.988,準確率為 0.993。但更能說明問題的測試,是移除模型排名最高的 15% 使用者 token。對抗性分數平均下降 0.511,49.4% 的對抗性分類轉為無害。在另一項包含 100 筆紀錄的基準測試中,三人標記了證據;在 84.5% 的對抗性案例裡,排名最高的五個回合中有一個包含人類標記的證據回合。

與關鍵字篩選的比較,對一般使用者很重要。新方法在近乎無害的紀錄上回報的誤報率為 0.7%,在含有高風險詞彙的無害紀錄上則為 0.5%。表面風險基準方法在同類型紀錄上的數字分別為 37.3% 和 94.7%。這表示,較少依賴詞彙的篩選器,可能會少打斷一些正當的技術對話。

但最強的因果證據十分罕見。只有 11 筆紀錄具有強反事實證據,30 筆具有弱證據,合計只佔資料集的 2.3%。作者也表示,在由人類撰寫的 MHJ 多輪基準測試中,偵測的泛化能力較弱。他們主要將這個系統描述為一種在失敗已經被偵測後使用的定位器,而不是能普遍偵測真實攻擊的工具。它只對使用者回合進行歸因,儘管作者承認,助理部分配合可能協助後續升級。

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 | 出處: Beyond Unsafe Detection: Counterfactually Anchored Evidence Attribution for Multi-Turn LLM Safety Failures(arXiv)

調查可能會是什麼樣子

在公司服務台中,安全分析師可以打開一份被標記的 AI 代理逐字記錄,查看前面幾則把例行要求變成不安全工具工作流程的使用者訊息。分析師不必閱讀數十次交流或封鎖整個主題,而可以檢查這些節點,決定拒絕、確認或人工審查應該放在哪裡。

這種情境取決於幾個條件。定位器必須能運作於即時的人類撰寫對話,也必須納入代理自己的回覆。作者表示,在它能解釋端到端的失敗之前,這種方法仍需要更廣泛的人類撰寫資料,以及對助理回覆的歸因。在那之前,它的價值雖然較窄,卻很具體:當防護機制發出警報後,它提供了一種回頭查看哪些訊息協助造成問題的方法。

來源

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