論文の概要: Harmful Responses Are Jailbreak Templates: Transferring Autoregressive Jailbreaks to Diffusion Language Models

• arxiv url: http://arxiv.org/abs/2610.31331v1
• Date: Thu, 22 Oct 2026 14:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.405081
• Title: Harmful Responses Are Jailbreak Templates: Transferring Autoregressive Jailbreaks to Diffusion Language Models
• Title（参考訳）: 自動回帰ジェイルブレイクを拡散言語モデルに転送する
• Abstract要約: 拡散大言語モデル(dLLM)は、双方向コンテキストモデリングによる柔軟なマスキング生成を可能にする。 RMT-Jailbreakは、既存の自己回帰的(AR)ジェイルブレイク攻撃を誘導された有害反応を介してdLLMに転送するフレームワークである。
• 参考スコア（独自算出の注目度）: 11.845904607392349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion large language models (dLLMs) enable flexible masked generation through bidirectional context modeling, but this capability also introduces a distinct jailbreak attack surface. We find that a harmful response to a given query naturally serves as an effective jailbreak template: simply masking a subset of its tokens can induce a dLLM to reconstruct harmful content. Based on this observation, we propose RMT-Jailbreak, a general framework that transfers existing autoregressive (AR) jailbreak attacks to dLLMs through their induced harmful responses. RMT-Jailbreak converts an AR-generated harmful response into a high-mask-ratio template using uniform token retention, and further applies prompt-based safety filtering to mask any remaining visible harmful content. The refined template is then provided to the target dLLM for bidirectional reconstruction. Extensive experiments across multiple AR jailbreak methods and target dLLMs demonstrate the effectiveness and generality of RMT-Jailbreak, revealing strong cross-paradigm transferability of jailbreak attacks.
• Abstract（参考訳）: 拡散型大規模言語モデル(dLLM)は、双方向コンテキストモデリングによるフレキシブルなマスク付き生成を可能にするが、この能力は異なるジェイルブレイク攻撃面も導入する。 単にトークンのサブセットを隠すだけで、有害なコンテンツを再構築するためにdLLMを誘導することができる。 本研究は,既存の自己回帰的(AR)ジェイルブレイク攻撃を誘導された有害反応を介してdLLMに転送する一般的なフレームワークであるRTT-Jailbreakを提案する。 RMT-Jailbreakは、均一なトークン保持を用いて、AR生成した有害な応答をハイマスク比テンプレートに変換し、さらに、プロンプトベースの安全フィルタリングを適用して、残されている有害なコンテンツを隠蔽する。 次に、精製されたテンプレートを目標のdLLMに提供し、双方向再構成を行う。 複数のARjailbreakメソッドとターゲットdLLMの広範な実験は、RTT-Jailbreakの有効性と汎用性を実証し、jailbreak攻撃の強力なパラダイム間転送性を明らかにした。

関連論文リスト

• Machine Learning for Detection and Analysis of Novel LLM Jailbreaks [3.2654923574107357]
  大きな言語モデル(LLM)は、悪意のあるユーザが入力テキストの操作を通じて望ましくない応答を要求できるような、さまざまな脆弱性に悩まされる。 いわゆるジェイルブレイクプロンプトは、LLMを騙して安全ガードレールの設置を回避し、開発者のポリシーに受け入れられる応答を維持するように設計されている。 本研究では,異なる機械学習モデルを用いて,jailbreakプロンプトを真の用途と区別する能力について分析する。
  論文  参考訳（メタデータ） (2025-10-02T03:55:29Z)
• Formalization Driven LLM Prompt Jailbreaking via Reinforcement Learning [48.100552417137656]
  PASSは、初期のジェイルブレイクプロンプトを形式化された記述に変換するために強化学習を使用している。 我々は、共通のオープンソースモデルに関する広範な実験を行い、攻撃の有効性を実証した。
  論文  参考訳（メタデータ） (2025-09-28T01:38:00Z)
• Rewrite to Jailbreak: Discover Learnable and Transferable Implicit Harmfulness Instruction [32.49886313949869]
  大規模言語モデル(LLM)を攻撃するための移動可能なブラックボックスジェイルブレイク法を提案する。 この書き換えアプローチは学習可能で、転送可能であることが分かりました。 大規模な実験と分析により、R2Jの有効性が示された。
  論文  参考訳（メタデータ） (2025-02-16T11:43:39Z)
• h4rm3l: A language for Composable Jailbreak Attack Synthesis [48.5611060845958]
  h4rm3lは、人間が読めるドメイン固有言語とのギャップに対処する新しいアプローチである。 我々は、h4rm3lの合成攻撃は、文献における既存のジェイルブレイク攻撃よりも多様で、より成功していることを示す。
  論文  参考訳（メタデータ） (2024-08-09T01:45:39Z)
• EnJa: Ensemble Jailbreak on Large Language Models [69.13666224876408]
  大きな言語モデル(LLM)は、安全クリティカルなアプリケーションにますますデプロイされている。 LLMは、悪質なプロンプトを慎重に作り、ポリシーに違反するコンテンツを生成することで、まだジェイルブレイクされる可能性がある。 本稿では,プロンプトレベルのジェイルブレイクを用いて有害な命令を隠蔽し,グラデーションベースの攻撃で攻撃成功率を高め,テンプレートベースのコネクタを介して2種類のジェイルブレイク攻撃を接続する新しいEnJa攻撃を提案する。
  論文  参考訳（メタデータ） (2024-08-07T07:46:08Z)
• Fuzz-Testing Meets LLM-Based Agents: An Automated and Efficient Framework for Jailbreaking Text-To-Image Generation Models [15.582860145268553]
  JailFuzzerは、大きな言語モデル(LLM)エージェントによって駆動される新しいファジングフレームワークである。 自然かつ意味的に一貫性のあるプロンプトを生成し、従来の防御による検出の可能性を減らす。 クエリオーバーヘッドを最小限に抑えたジェイルブレイク攻撃で高い成功率を達成する。
  論文  参考訳（メタデータ） (2024-08-01T12:54:46Z)
• Jailbreaking Attack against Multimodal Large Language Model [69.52466793164618]
  本稿では,マルチモーダル大規模言語モデル(MLLM)に対するジェイルブレイク攻撃に焦点を当てた。 imgJP (emphimage Jailbreaking Prompt) の探索手法を提案する。 提案手法は, 生成したimgJPをジェイルブレイクモデルに転送できるため, 強いモデル伝達性を示す。
  論文  参考訳（メタデータ） (2024-02-04T01:29:24Z)
• AutoDAN: Generating Stealthy Jailbreak Prompts on Aligned Large Language Models [54.95912006700379]
  本稿では,大規模言語モデルに対する新たなジェイルブレイク攻撃であるAutoDANを紹介する。 AutoDANは、慎重に設計された階層型遺伝的アルゴリズムによって、ステルスなジェイルブレイクプロンプトを自動的に生成できる。
  論文  参考訳（メタデータ） (2023-10-03T19:44:37Z)

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。