只要在提示词中把时间设定成过去，就能轻松突破大模型的安全防线。而且对 GPT-4o 尤其有效，原本只有 1% 的攻击成功率直接飙到 88%，几乎是“有求必应”。
有网友看了后直言，这简直是有史以来最简单的大模型越狱方式。
来自洛桑联邦理工学院的一篇最新论文，揭开了这个大模型安全措施的新漏洞。
而且攻击方式简单到离谱，不用像“奶奶漏洞”那样专门构建特殊情境，更不必说专业对抗性攻击里那些意义不明的特殊符号了。
只要把请求中的时间改成过去，就能让 GPT-4o 把燃烧弹和毒品的配方和盘托出。
而且量子位实测发现，把提示词改成中文，对 GPT-4o 也一样有效。
有网友表示，实在是想不到突破大模型漏洞的方式竟然如此简单……
当然这样的结果也说明，现有的大模型安全措施还是太脆弱了。
GPT-4o 最易“破防”
实验过程中，作者从 JBB-Behaviors 大模型越狱数据集中选择了 100 个有害行为，涉及了 OpenAI 策略中的 10 个危害类别。
然后作者用 GPT-3.5 Turbo，把把这些有害请求对应的时间改写成过去。
接着就是用这些修改后的请求去测试大模型，然后分别用 GPT-4、Llama-3 和基于规则的启发式判断器这三种不同方式来判断越狱是否成功。
被测试的模型则包括 Llama-3、GPT-3.5 Turbo、谷歌的 Gemma-2、微软的 Phi-3、GPT-4o 和 R2D2（一种对抗性训练方法）这六种。
结果显示，GPT-4o 的越狱成功率提升最为明显，在使用 GPT-4 和 Llama-3 进行判断时，原始成功率均只有 1%，使用这种攻击的成功率则上升到了 88% 和 65%，启发式判断器给出的成功率也从 13% 升到了 73%。
其他模型的攻击成功率也提高不少，尤其是在使用 GPT-4 判断时，除了 Llama-3，其余模型的成功率增长值都超过了 70 个百分点，其他的判断方法给出的数值相对较小，不过都呈现出了增长趋势。
对于 Llama-3 的攻击效果则相对稍弱一些，但成功率也是增加了。
另外随着攻击次数的增加，成功率也是越来越高，特别是 GPT-4o，在第一次攻击时就有超过一半的成功率。
不过当攻击次数达到 10 次后，对各模型的攻击成功率增长都开始放缓，然后逐渐趋于平稳。
值得一提的是，Llama-3 在经历了 20 次攻击之后，成功率依然不到 30%，相比其他模型体现出了很强的鲁棒性。
同时从图中也不能看出，不同判断方法给出的具体成功率值虽有一定差距，但整体趋势比较一致。
另外，针对 10 类不同的危害行为，作者也发现了其间存在攻击成功率的差别。
不看 Llama-3 这个“清流”的话，恶意软件 / 黑客、经济危害等类型的攻击成功率相对较高，错误信息、色情内容等则较难进行攻击。
当请求包含一些与特定事件或实体直接相关的关键词时，攻击成功率会更低；而请求偏向于通识内容时更容易成功。
基于这些发现，作者又产生了一个新的疑问 —— 既然改成过去有用，那么改写成将来是不是也有用呢？
进一步实验表明，确实也有一定用处，不过相比于过去来说，将来时间的效果就没有那么明显了。
以 GPT-4o 为例，换成过去后接近 90 个百分点的增长，再换成将来就只有 60 了。
对于这样的结果，网友们除了有些惊讶之外，还有人指出为什么不测试 Claude。
作者回应称，不是不想测，而是免费 API 用完了，下一个版本会加上。
不过有网友自己动手试了试，发现这种攻击并没有奏效，即使后面追问说是出于学术目的，模型依然是拒绝回答。
△ 来源：Twitter / Muratcan Koylan
这篇论文的作者也承认，Claude 相比于其他模型会更难攻击，但他认为用复杂些的提示词也能实现。
因为 Claude 在拒绝回答时非常喜欢用“I apologize”开头，所以作者要求模型不要用“I”来开头。
不过量子位测试发现，这个方法也未能奏效，无论是 Claude 3 Opus 还是 3.5 Sonnet，都依然拒绝回答这个问题。
△ 左：3 Opus，右：3.5 Sonnet
还有人表示，自己对 Claude 3 Haiku 进行了一下测试（样本量未说明），结果成功率为 0。
总的来说，作者表示，虽然这样的越狱方式比不上对抗性提示等复杂方法，但明显更简单有效，可作为探测语言模型泛化能力的工具。
使用拒绝数据微调或可防御
作者表示，这些发现揭示了 SFT、RLHF 和对抗训练等当前广泛使用的语言模型对齐技术，仍然存在一定的局限性。
按照论文的观点，这可能意味着模型从训练数据中学到的拒绝能力，过于依赖于特定的语法和词汇模式，而没有真正理解请求的内在语义和意图。
这些发现对于当前的语言模型对齐技术提出了新的挑战和思考方向 —— 仅仅依靠在训练数据中加入更多的拒绝例子，可能无法从根本上解决模型的安全问题。
作者又进行了进一步实验，使用拒绝过去时间攻击的示例对 GPT-3.5 进行了微调。
结果发现，只要拒绝示例在微调数据中的占比达到 5%，攻击的成功率增长就变成了 0。
下表中，A%/B% 表示微调数据集中有 A% 的拒绝示例和 B% 的正常对话，正常对话数据来自 OpenHermes-2.5。
这样的结果也说明，如果能够对潜在的攻击进行准确预判，并使用拒绝示例让模型对齐，就能有效对攻击做出防御，也就意味着在评估语言模型的安全性和对齐质量时，需要设计更全面、更细致的方案。
论文地址：
-
https://arxiv.org/abs/2407.11969
参考链接：
-
[1]https://x.com/maksym_andr/status/1813608842699079750
-
[2]https://x.com/MatthewBerman/status/1813719273338290328