Detecting Jailbreak Attacks on Large Language Models by Exploring Refusal Loss Landscapes

本文是LLM系列文章，针对《Gradient Cuff: Detecting Jailbreak Attacks on Large Language Models by Exploring Refusal Loss Landscapes》的翻译。

摘要

大型语言模型（LLM）正在成为一种突出的生成人工智能工具，用户可以在其中输入查询，LLM生成答案。为了减少伤害和滥用，已经努力使用先进的训练技术，如从人类反馈中强化学习（RLHF），使这些LLM与人类价值观相一致。然而，最近的研究强调了LLM容易受到旨在破坏嵌入式安全护栏的对抗性越狱企图的影响。为了应对这一挑战，本文定义并研究了LLM的拒绝损失，然后提出了一种称为梯度Cuff的方法来检测越狱企图。梯度Cuff利用在拒绝损失景观中观察到的独特特性，包括函数值及其平滑度，设计了一种有效的两步检测策略。在两种对齐的LLM（LLaMA-2-7B-Chat和Vicuna-7B-V1.5）和六种类型的越狱攻击（GCG、AutoDAN、PAIR、TAP、Base64和LRL）上的实验结果表明，梯度Cuff可以显著提高LLM对恶意越狱查询的拒绝能力，同时通过调整检测阈值来保持模型对良性用户查询的性能。

1 引言

2 相关工作

3 方法和算法

4 实验

5 结论

在本文中，我们定义并研究了LLM的拒绝损失函数，以利用其判别函数性质来设计一种有效的越狱检测方法，称为梯度Cuff。梯度Cuff采用两步越狱检测程序，依次检查拒绝损失景观的函数值和梯度范数。我们在2个对齐的LLM（LLaMA-2-7bChat和Vicuna-7B-V1.5）和6个越狱攻击（GCG、AutoDAN、PAIR、TAP、Base64和LRL）上进行的广泛实