AutoDAN-Turbo : Un agent à vie pour l'auto-exploration de stratégies afin de débloquer les LLM

AutoDAN-Turbo: A Lifelong Agent for Strategy Self-Exploration to Jailbreak LLMs

October 3, 2024

Auteurs: Xiaogeng Liu, Peiran Li, Edward Suh, Yevgeniy Vorobeychik, Zhuoqing Mao, Somesh Jha, Patrick McDaniel, Huan Sun, Bo Li, Chaowei Xiao

cs.AI

Résumé

Dans cet article, nous proposons AutoDAN-Turbo, une méthode de jailbreak en boîte noire qui peut découvrir automatiquement autant de stratégies de jailbreak que possible à partir de zéro, sans aucune intervention humaine ou portées prédéfinies (par exemple, des stratégies de candidats spécifiées), et les utiliser pour des tests d'intrusion. En conséquence, AutoDAN-Turbo peut surpasser significativement les méthodes de référence, atteignant un taux de réussite moyen d'attaque 74,3% plus élevé sur des benchmarks publics. Notamment, AutoDAN-Turbo atteint un taux de réussite d'attaque de 88,5% sur GPT-4-1106-turbo. De plus, AutoDAN-Turbo est un cadre unifié qui peut incorporer des stratégies de jailbreak existantes conçues par des humains de manière plug-and-play. En intégrant des stratégies conçues par des humains, AutoDAN-Turbo peut même atteindre un taux de réussite d'attaque plus élevé de 93,4% sur GPT-4-1106-turbo.

English

In this paper, we propose AutoDAN-Turbo, a black-box jailbreak method that can automatically discover as many jailbreak strategies as possible from scratch, without any human intervention or predefined scopes (e.g., specified candidate strategies), and use them for red-teaming. As a result, AutoDAN-Turbo can significantly outperform baseline methods, achieving a 74.3% higher average attack success rate on public benchmarks. Notably, AutoDAN-Turbo achieves an 88.5 attack success rate on GPT-4-1106-turbo. In addition, AutoDAN-Turbo is a unified framework that can incorporate existing human-designed jailbreak strategies in a plug-and-play manner. By integrating human-designed strategies, AutoDAN-Turbo can even achieve a higher attack success rate of 93.4 on GPT-4-1106-turbo.