論文の概要: Before the Script, Set the Stage: How Worldview Simulation Amplifies Psychologically Grounded Persuasion in Multi-Turn Jailbreaking

• arxiv url: http://arxiv.org/abs/2609.02414v1
• Date: Wed, 02 Sep 2026 10:35:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.235087
• Title: Before the Script, Set the Stage: How Worldview Simulation Amplifies Psychologically Grounded Persuasion in Multi-Turn Jailbreaking
• Title（参考訳）: スクリプトの前, 舞台設定: ワールドビュー・シミュレーションがマルチトゥルン・ジェイルブレイクにおける心理的根拠による説得をいかに増幅するか
• Abstract要約: マルチターンジェイルブレイク攻撃は、有害な意図が対話中に分散可能であることを示す。 本稿では,WORLDVIEWSIMからソーシャル・インフルエンス・ストラテジー・スペースを分離した安全評価フレームワークBLUEPRINTを紹介する。
• 参考スコア（独自算出の注目度）: 42.38661173489332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-turn jailbreak attacks demonstrate that harmful intent can be distributed across dialogue, yet existing methods obscure what conversational mechanisms drive vulnerability. We introduce BLUEPRINT, a safety-evaluation framework separating a factorized social-influence strategy space from WORLDVIEWSIM, a cross-turn situational context module. Monte Carlo Tree Search optimizes turn-level combinations of 18 theory-grounded influence factors across a four-turn trajectory. Across six frontier models, BLUEPRINT achieves near-ceiling ASR on major open-weight and proprietary models, while requiring the fewest average queries (2.46). The resulting trajectories further reveal model-specific vulnerability among resistant targets: each responds to distinct influence factors and strategy transitions, yet all share a common recovery pathway-shifting toward concrete, executable task framing consistently escapes hard-refusal states. Ablations confirm operational cues matter most: making requests actionable has the largest impact, gain framing is unusually potent, and some legitimacy appeals can backfire. These findings suggest robust multi-turn safety requires monitoring not only harmful content, but also how dialogue state makes unsafe requests appear concrete and locally executable.
• Abstract（参考訳）: マルチターンジェイルブレイク攻撃は、有害な意図が対話に分散できることを実証するが、既存の方法では、会話メカニズムが脆弱性を駆動しているかは明らかでない。 WORLDVIEWSIMと対向状況対応モジュールを分離した安全評価フレームワークBLUEPRINTを紹介する。 モンテカルロ木探索は、4ターン軌道上の18の理論的な影響因子のターンレベル結合を最適化する。 6つのフロンティアモデル全体で、BLUEPRINTは主要なオープンウェイトモデルとプロプライエタリモデルでほぼシーリングのASRを実現し、平均クエリは2.46である。 それぞれ異なる影響要因と戦略遷移に反応するが、全員が共通の回復経路を共有し、具体的かつ実行可能なタスクフレーミングは、固い拒絶状態から一貫して逃れる。 アクティベーションリクエストを動作させることが最大の影響、フレーミングの獲得は異常に強力であり、一部の正当性訴えはバックファイアする可能性がある。 これらの結果は、堅牢なマルチターン安全性には有害なコンテンツだけでなく、対話状態が安全でない要求を具体的かつローカルに実行可能にする方法も必要であることを示唆している。

関連論文リスト

• Compositional Jailbreaking: An Empirical Analysis of Mutator Chain Interactions in Aligned LLMs [7.131819229115288]
  大規模言語モデルに対するジェイルブレイク攻撃は、有害または制限されたコンテンツの生成を可能にすることによって、AIの安全性に重大な脅威をもたらす。 本稿では,弱いジェイルブレイク変換を逐次適用し,それらがどのように相互作用するかを特徴付けるミューテータ連鎖の系統的研究について述べる。 その結果、相互作用のランドスケープは非一様であり、ほとんどの組み合わせは個々のミュータを上回りません。
  論文  参考訳（メタデータ） (2026-05-15T04:14:04Z)
• MT-JailBench: A Modular Benchmark for Understanding Multi-Turn Jailbreak Attacks [16.699418698714585]
  マルチターンジェイルブレイクは、大きな言語モデルが会話のコンテキストに蓄積して作用する能力を利用する。 報告されたゲインがより強力な攻撃機構や異なる実験条件を反映しているかは、しばしば不明である。 固定条件下でマルチターンジェイルブレイクをベンチマークするモジュール評価フレームワークMT-JailBenchを紹介する。
  論文  参考訳（メタデータ） (2026-05-10T00:17:14Z)
• State-Dependent Safety Failures in Multi-Turn Language Model Interaction [70.52906620450847]
  我々は、状態空間の観点から安全性障害を研究し、多くのマルチターン障害が構造化状態の進化から生じることを示す。 本稿では,対話履歴を状態遷移演算子として扱う状態指向診断フレームワークSTARを紹介する。 静的な評価の下で頑健なように見えるシステムは、構造化されたマルチターン相互作用の下で、迅速かつ再現可能な安全破壊を受けることができる。
  論文  参考訳（メタデータ） (2026-03-15T12:13:01Z)
• MEEA: Mere Exposure Effect-Driven Confrontational Optimization for LLM Jailbreaking [10.331506725187038]
  マルチターン安全性の信頼性を評価するための完全に自動化されたフレームワークであるMEEAを提案する。 MEEAはセマンティックプログレッシブなプロンプトチェーンを構築し、シミュレートされたアニール戦略を使ってそれらを最適化する。 その結果,MEEAは7つのベースラインよりも攻撃成功率が高いことがわかった。
  論文  参考訳（メタデータ） (2025-12-21T14:43:26Z)
• GRAF: Multi-turn Jailbreaking via Global Refinement and Active Fabrication [55.63412213263305]
  大規模言語モデルは、悪意のある目的のために誤用される可能性があるため、顕著な安全性のリスクを生じさせる。 そこで本研究では,各インタラクションにおける攻撃経路をグローバルに洗練する,新しいマルチターンジェイルブレーキング手法を提案する。 さらに、モデル応答を積極的に作成し、安全性に関する警告を抑えることにより、有害な出力を誘発する可能性を高める。
  論文  参考訳（メタデータ） (2025-06-22T03:15:05Z)
• MIRAGE: Multimodal Immersive Reasoning and Guided Exploration for Red-Team Jailbreak Attacks [85.3303135160762]
  MIRAGEは、物語駆動型コンテキストとロール没入を利用して、マルチモーダル大規模言語モデルにおける安全性メカニズムを回避する新しいフレームワークである。 最先端のパフォーマンスを達成し、最高のベースラインよりも攻撃成功率を最大17.5%向上させる。 役割の浸漬と構造的セマンティック再構築は、モデル固有のバイアスを活性化し、モデルが倫理的保護に自発的に違反することを実証する。
  論文  参考訳（メタデータ） (2025-03-24T20:38:42Z)
• Reasoning-Augmented Conversation for Multi-Turn Jailbreak Attacks on Large Language Models [53.580928907886324]
  Reasoning-Augmented Conversationは、新しいマルチターンジェイルブレイクフレームワークである。 有害なクエリを良心的な推論タスクに再構成する。 RACEは,複雑な会話シナリオにおいて,最先端攻撃の有効性を実現する。
  論文  参考訳（メタデータ） (2025-02-16T09:27:44Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)

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。