論文の概要: JailbreakSkill: Scaling Automated Red-Teaming with Reusable and Ever-Evolving Skills
- arxiv url: http://arxiv.org/abs/2608.16465v1
- Date: Mon, 17 Aug 2026 12:03:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.672686
- Title: JailbreakSkill: Scaling Automated Red-Teaming with Reusable and Ever-Evolving Skills
- Title（参考訳）: JailbreakSkill: 再使用可能な、継続的な進化するスキルで、自動化されたレッドチームのスケーリング
- Abstract要約: textscJailbreakSkillは、自動化されたレッドチームのスケーリングのためのスキル中心のフレームワークである。
textscJailbreakSkillは既存の攻撃戦略をモジュール的でエージェント対応のスキルにパッケージする。
textscJailbreakSkillは攻撃と学習の間のループを閉じる。
- 参考スコア（独自算出の注目度）: 31.41905778049373
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated red-teaming has produced a growing collection of attack strategies, yet they typically remain scattered across prompts and workflows, making them difficult to systematically integrate, reuse, and improve at scale. We introduce \textsc{JailbreakSkill}, a skill-centric framework for scaling automated red-teaming through reusable and continuously evolving attack capabilities. \textsc{JailbreakSkill} packages existing attack strategies into modular, agent-ready skills that can be directly reused and adaptively selected across tasks and target models. Beyond reuse, it closes the loop between attacking and learning: attack experience is used to diagnose, refine, combine, and discover new skills, which are added back to an ever-growing skill library. This evolution lifts macro-average ASR by 17.5 percentage points on AdvBench and 13.4 points on HarmBench, including a 48.6-point gain against GPT-5.4 on AdvBench, while yielding novel attack strategies such as reframing a direct request as an unfinished document-completion task. Several evolved skills also generalize to unseen prompts and target models without further adaptation. Our code is available at https://github.com/BattleWen/JailbreakSkill.
- Abstract（参考訳）: 自動化されたレッドチーム化は、攻撃戦略の集合を増大させてきたが、通常はプロンプトやワークフローに散らばっていて、組織的な統合、再利用、大規模化を困難にしている。
これは、再利用可能な、継続的な進化する攻撃機能を通じて、自動化された赤チームのスケーリングを実現する、スキル中心のフレームワークです。
\textsc{JailbreakSkill}は既存の攻撃戦略をモジュール化されたエージェント対応のスキルにパッケージし、タスクやターゲットモデルを直接再利用し、適応的に選択することができる。
攻撃経験は、新たなスキルを診断し、洗練し、組み合わせ、発見するために使用され、それが成長を続けるスキルライブラリに追加されます。
この進化により、AdvBenchでは平均17.5ポイント、HarmBenchでは13.4ポイント、AdvBenchでは48.6ポイント、AdvBenchではGPT-5.4に対して、直接要求を未完成の文書補完タスクとみなすような新たな攻撃戦略が得られた。
いくつかの進化したスキルは、さらに適応することなく、目に見えないプロンプトやターゲットモデルに一般化する。
私たちのコードはhttps://github.com/BattleWen/JailbreakSkill.comで利用可能です。
関連論文リスト
- CoSkill: Joint Reinforcement Learning of Reasoning and Meta-Skill Agents for Hierarchical Skill Evolution [12.48020149385294]
CoSkillは、静的メタスキルワークフローを学習可能なメタスキルエージェントとして再キャストする統合マルチエージェントRLフレームワークである。
ReasoningとMeta-Skill Agentsを単一のバックボーンを共有する協力チームとしてモデル化することで、CoSkillはエンドツーエンドのコ適応を可能にする。
論文 参考訳（メタデータ） (2026-09-04T08:25:30Z) - RedEvoAgent: Automatic Red-Teaming Agent with Experience-Driven Skill Evolution [41.956444145058335]
我々は,クロスケース攻撃軌跡を簡潔で可読な攻撃技術に蒸留するブラックボックスレッドピーピングエージェントであるRedEvoAgentを提案する。
実験の結果、RedEvoAgentは固定ベースラインとエージェントベースラインを上回り、ツール効率を改善し、アタッカーモデルとターゲット実行ハーネス間で転送することがわかった。
論文 参考訳（メタデータ） (2026-08-27T17:55:33Z) - A Self-Evolving Multi-Agent Framework Defense against LLM Jailbreak Attacks [53.12252890906191]
大規模言語モデル(LLM)は、ジェイルブレイク攻撃に弱いままである。
本稿では,永続的相互作用ルールメモリを中心に構築された自己進化型テストタイムディフェンスを提案する。
論文 参考訳（メタデータ） (2026-08-26T16:52:06Z) - SkillComposer: Learning to Evolve Agent Skills for Specification and Generalization [99.18305770138677]
エージェントスキルは、エージェントの推論とアクションをガイドする再利用可能な戦略である。
現在の技術構築手法は、問題を一発抽出として扱う。
本稿では,スキル構築を3つの学習可能な操作に分解するフレームワークであるSkillComposerを紹介する。
論文 参考訳（メタデータ） (2026-06-04T12:16:08Z) - SkillAdaptor: Self-Adapting Skills for LLM Agents from Trajectories [21.45159075534644]
SkillAdaptorは、トレーニング不要な段階レベルのスキル適応フレームワークで、明確な失敗の属性を持つ。
キミ-K2.5, GLM-5, GPT-5.2 を用いて WebShop, PinchBench, Claw-Eval で評価を行った。
論文 参考訳（メタデータ） (2026-05-31T16:00:10Z) - AutoRISE: Agent-Driven Strategy Evolution for Red-Teaming Large Language Models [2.75206475271089]
本稿では,個々のプロンプトではなく,実行可能攻撃プログラムを検索するAutoRISEを提案する。
各イテレーションにおいて、コーディングエージェントが戦略を編集し、固定評価ハーネスが結果の攻撃をスコアする。
AutoRISEはブラックボックス、推論のみの設定で動作し、微調整、ヒューマンアノテーション、GPU計算を必要としない。
論文 参考訳（メタデータ） (2026-04-23T19:37:48Z) - SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning [83.98129545309277]
生経験と政策改善のギャップを埋めるフレームワークであるSkillRLを提案する。
本手法では,階層型スキルライブラリであるSkillBankを構築するために,経験に基づく蒸留機構を導入する。
ALF、WebShop、および7つの検索強化タスクの実験結果は、SkillRLが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-09T03:17:17Z) - MAGIC: A Co-Evolving Attacker-Defender Adversarial Game for Robust LLM Safety [28.246225272659917]
本稿では,新しいマルチターンマルチエージェント強化学習フレームワークであるtextbfMAGICを紹介する。
大規模言語モデルの安全性アライメントを敵非対称ゲームとして定式化する。
本フレームワークは, モデルの有用性を損なうことなく, 優れた防衛成功率を示す。
論文 参考訳（メタデータ） (2026-02-02T02:12:28Z) - Active Attacks: Red-teaming LLMs via Adaptive Environments [71.55110023234376]
大規模言語モデル(LLM)に対する多様な攻撃プロンプトを生成するという課題に対処する。
我々は、犠牲者が進化するにつれて攻撃に適応する新しいRLベースのレッドチームアルゴリズムであるtextitActive Attacksを導入する。
論文 参考訳（メタデータ） (2025-09-26T06:27:00Z) - XOXO: Stealthy Cross-Origin Context Poisoning Attacks against AI Coding Assistants [11.9972177330089]
本稿では,意味論的に等価なコード修正に依存する新たな攻撃であるPoisoning(XOXO)を提案する。
攻撃で使用されたGPTnet v2を含む11モデルで7572%の成功率を達成した。
論文 参考訳（メタデータ） (2025-03-18T14:20:54Z) - LAS-AT: Adversarial Training with Learnable Attack Strategy [82.88724890186094]
LAS-ATと呼ばれる「学習可能な攻撃戦略」は、モデル堅牢性を改善するための攻撃戦略を自動生成することを学ぶ。
当社のフレームワークは,強靭性向上のためのトレーニングにAEを使用するターゲットネットワークと,AE生成を制御するための攻撃戦略を生成する戦略ネットワークで構成されている。
論文 参考訳（メタデータ） (2022-03-13T10:21:26Z) - OpenAttack: An Open-source Textual Adversarial Attack Toolkit [73.22185718706602]
本稿では,これらの問題を解決するために,OpenAttackというオープンソースのテキスト逆攻撃ツールキットを提案する。
OpenAttackには、すべての攻撃タイプ、多言語性、並列処理をサポートする独自の長所がある。
論文 参考訳（メタデータ） (2020-09-19T09:02:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。