香港大学博士研究生谢知晖研究揭示大语言模型越狱行为的本质
本文第一作者为香港大学博士研究生谢知晖，主要研究兴趣为大模型对齐与强化学习。
还记得 著名的「奶奶漏洞」吗？让 扮演奶奶，就能诱导它生成盗版软件序列号。除此之外，还有「开发者模式」、「DAN (Do Now)」等方法，成功让 乖乖听话，摆脱道德和法律的枷锁。这些例子揭示了大语言模型（LLMs）在安全性方面的重要挑战：即使经过精心调教，现有的大语言模型仍然容易受到巧妙设计的越狱攻击。
那么，为什么会出现这些情况？这些 “越狱” 行为的本质是什么？在来自港大和华为诺亚方舟实验室的最新工作中，研究者提供了一个全新的视角来解答这些问题 —— 一切可能源于 AI 训练过程中的 “奖励错误规约”（ ）。借助该视角，研究者提出了一个新的自动化红队（Red ）方法，用于高效地生成越狱提示，对安全对齐后的 LLMs 寻找遗留的漏洞。在基准测试集 （Zou et al., 2023）上，该方法显著优于现有方法，在攻击开源模型以及 GPT-4 成功率上取得了新的 SOTA 表现。
论文链接：
代码链接：
对齐与隐式奖励函数
要弄清为什么会出现会越狱问题，就必须从现有对齐方法上开始剖析。目前，安全对齐往往在后训练阶段进行，通过 SFT ( Fine-) 或者 RLHF ( from Human ) 引入示范回答或偏好反馈来缓解预训练语料中的安全风险。无论采用何种方法，其本质都是：提升模型生成安全而有用的行为的概率、降低模型生成有害回答的概率。
假设我们对模型
进行安全对齐，调整其在提示
上生成回答
的概率。该过程可以统一为带有 KL 散度约束的奖励最大化问题：
对于 RLHF 来说，我们往往会事先通过奖励建模从人类偏好中学习一个奖励模型，进行上述优化；对于 SFT 来说，我们没有一个显式的奖励函数，而是隐式地从奖励
中学习（ et al., 2023; et al., 2024）。对于更加复杂的对齐方式（例如 SFT、DPO、RLHF 混合），我们也可以直接用该隐式奖励（ ）来描述对齐的目标。
ReGap：从奖励错误规约的视角探索模型漏洞
既然对齐是在最大化奖励函数，如果该奖励函数有问题，模型自然无法避免地存在安全漏洞。更重要的是，我们可以通过找到奖励函数在何处存在错误，来找到模型的漏洞所在。
一种直接的方式是找到奖励错误规约的提示。假设我们有关于提示
的安全回答
和有害回答
，错误规约描述的是奖励函数对于无法准确地对回答安全性进行排序：
。基于此，研究者基于隐式奖励函数引入了一个新的度量标准 ReGap 来评估模型的奖励错误规约程度：
当
时，隐式奖励函数出现错误规约，更偏好有害回答。在度量特定提示词的安全性上，ReGap 显著优于以往工作中常用的指标 Loss（即模型在有害回答上的 NLL loss）。ReGap 越低，模型在该提示词上越有可能被越狱成功；而对于 Loss 来说，其区分度并不显著：
图 1：ReGap 作为越狱的更好度量指标，优于目标损失。这些结果来自 针对 -7b 在 测试集上生成的对抗性后缀。
：基于奖励错误规约的自动化红队系统
为了验证 ReGap 的有效性，研究者进一步提出了一个自动化红队系统 ，直接通过修改提示词朝着 ReGap 降低的方向，生成针对各种对齐 LLMs 的越狱提示。
图 2：通过奖励错误规约越狱对齐大型语言模型的方法概览。
举例而言，对于图中诱导生成假身份的提示词
，对齐后的模型能够直接拒答。 寻找可能的后缀
使得
尽可能低，得到新的提示词
，该提示词能够成功绕过模型的安全机制。值得注意的是，该搜索过程无需人工参与。
为了实现该搜索过程， 采用了另一个语言模型进行后缀生成，通过 beam 控制生成的后缀朝着最小化 ReGap 的方向探索。该语言模型可以通过微调，进一步学会如何越狱。
实验结果
在 基准测试上，研究者评估了 的性能。 在各种目标模型上都取得了最优的攻击成功率，同时保持了生成提示的低困惑度，让提示能够绕过一些基于困惑度的防御机制。
表 1：在 基准测试（Zou et al., 2023）上的实验结果。该表展示了训练和测试阶段的 ASR@k（即在 k 次攻击中至少有一次成功的成功率）。
此外，与仅考虑目标损失的先前方法相比， 能够发现更多样的漏洞形式，显著提高了自动化红队的有效性。如下图所示， 自动地探索到了翻译、续写、上下文示例、补全等提示词修改方法完成越狱。
表 2： 测试集上 生成的后缀示例。
在迁移攻击上， 同样表现优异，通过对开源模型进行攻击得到的后缀可以迁移到闭源模型上，取得优异的攻击成功率。
表 3：迁移攻击结果。后缀针对 -7b 生成，并迁移至 GPT 系列闭源模型。结果展示了训练和测试阶段的 ASR@k。
总结
该研究从奖励错误规约的角度重新审视了语言模型对齐问题。通过引入的 ReGap 度量和 系统，不仅提高了对抗性攻击的效果，还为深入理解和改进 LLMs 的对齐过程提供了新的思路。研究者希望这项研究能为构建更安全、更可靠的大语言模型铺平道路，推动对齐研究向着更负责任的方向发展。
