大模型越狱攻击成功率 (ASR) 评判方法

JailbreakBench (24.04)

• Rule-based. The rule-based judge from Zou et al. (2023) based on string matching,
• GPT-4. The GPT-4-0613 model used as a judge (OpenAI, 2023),
• HarmBench. The Llama-2-13B judge introduced in HarmBench (Mazeika et al., 2024),
• Llama Guard. An LLM safeguard model fine-tuned from Llama-2-7B (Inan et al., 2023),
• Llama Guard 2. An LLM safeguard model fine-tuned from Llama-3-8B (Llama Team, 2024),
• Llama-3-70B. The recent Llama-3-70B (AI@Meta, 2024) used as a judge with a custom prompt.
比较了上述 6 种评判方式,最终采用 Llama-3-70B 作为评判模型
在这里插入图片描述

PastTense (24.07)

汇报了三种评判方式的结果,GPT4、JailbreakBench的Llama-3-70B、GCG的 Rule-based

Jailbreak_GPT4o (24.06)

汇报了四种评价方式的结果
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值