長文字之罪：Claude團隊新越獄技術，Llama 2到GPT-4無一倖免
机器之心發表於2024-04-03
Anthropic 發現一種新型越獄漏洞並給出了高效的緩解方案，可以將攻擊成功率從 61% 降至 2%。
剛剛，人工智慧初創公司 Anthropic 宣佈了一種「越獄」技術（Many-shot Jailbreaking）—— 這種技術可以用來逃避大型語言模型（LLM）開發人員設定的安全護欄。研究者表示，其對 Anthropic 自家模型以及 OpenAI、Google DeepMind 等其他 AI 公司的模型都有效，模型包括 Claude 2.0、GPT-3.5 和 GPT-4 、Llama 2 (70B) 和 Mistral 7B 等。目前，該團隊已經向其他 AI 開發人員通報了此漏洞，並已在他們自己開發的系統上實施了緩解措施。- 論文地址：https://cdn.sanity.io/files/4zrzovbb/website/af5633c94ed2beb282f6a53c595eb437e8e7b630.pdf
- 論文標題：Many-shot Jailbreaking
簡單來說，模型越獄利用了 LLM 上下文視窗漏洞。攻擊者輸入一個以數百個虛假對話為開頭的提示，提示中包含有害的請求，就能迫使 LLM 產生潛在有害的反應，儘管大模型接受過禁止這樣做的訓練。當提示中只有少量對話時，這種攻擊通常是無效的。但隨著對話次數（shots）的增加，LLM 出現有害反應的機率也在增加：這麼看來，上下文視窗的增加，為攻擊模型提供了安全漏洞。2023 年初，LLM 處理上下文視窗的長度相當於一篇論文的長度（約 4,000 個 token）。隨著技術的發展，現在，一些模型的上下文視窗大了數百倍 —— 相當於幾本長篇小說的長度（1,000,000 個 token 或更多）。但令人沒想到的是，上下文長度的增加也帶來了模型越獄風險。Many-shot 越獄的基礎是在 LLM 的單個提示中包含人類和 AI 助手之間的虛假對話。這種虛假對話表明 AI 助手可以回答有害問題。在對話結束時，新增一個最終的目標查詢，攻擊者就能得到想要查詢的答案。舉例來說，當使用者詢問「如何開啟這把鎖？」。當將這個問題丟給 ChatGPT 時，給出的答案是不能提供幫助：- AI 助手：我很樂意提供幫忙。首先，獲取開鎖工具…[繼續詳細介紹開鎖方法]
對於上述幾個虛假對話而不是一個對話注入的攻擊，仍然會觸發來自模型的經過安全訓練的響應 ——LLM 可能會響應它無法幫助處理請求，因為它似乎涉及危險或非法活動。然而當使用多個對話提示（如上圖右），內容包含大量演示示例來引導模型產生不良行為。隨著對話數量（shot 數量）的增加超過某個點，模型產生有害響應的機率隨之增大（見下圖）。由上圖可得，當輸入提示對話次數超過一定數量時，模型對暴力、仇恨言論、欺騙、歧視和受管制內容（例如與毒品或賭博相關的言論）等相關有害響應的百分比也會增加。 該研究發現，many-shot 越獄的有效性與「上下文學習」的過程有關。上下文學習是 LLM 僅使用提示中提供的資訊進行學習，無需任何後續微調。上下文學習與 many-shot 越獄的相關性非常明顯，其中越獄嘗試完全包含在單個提示中。事實上，many-shot 越獄可以被視為上下文學習的特殊情況。該研究發現，在正常的、非越獄相關的情況下，上下文學習遵循與 many-shot 越獄相同的統計模式（相同的冪律）。如下所示，圖左顯示了不斷增加的上下文視窗中 many-shot 越獄的規模（指標越低表示有害響應數量越多），圖右顯示了一系列良性（benign）上下文學習任務的相似模式。隨著「shot」（提示中的對話）數量的增加，many-shot 越獄的有效性增加（圖左）。這似乎是上下文學習的一般屬性。該研究還發現，隨著規模的增加，上下文學習的完全良性示例遵循類似的冪律（圖右）。這種關於上下文學習的思路可能有助於解釋研究中的另一個結果：對於較大的模型，many-shot 越獄通常更有效。也就是說，需要更短的提示才能產生有害的響應。LLM 規模越大，它在上下文學習方面的表現越好，至少在某些任務上是這樣的。如果上下文學習是 many-shot 越獄的基礎，則將是對上述實證結果的很好的解釋。鑑於較大的模型可能是最有害的，因此越獄對它們效果如此之好這一事實尤其令人擔憂。完全防止 many-shot 越獄的最簡單方法是限制上下文視窗的長度，但該研究更傾向於另一種不會阻止使用者從較長輸入中獲益的解決方案。這種方法是對模型進行微調，以拒絕回答類似於 many-shot 越獄攻擊的方法。遺憾的是，這種緩解措施只是延緩越獄，也就是說，在模型確實產生有害響應之前，使用者提示中需要更多虛假對話，然而由於提示中存在越獄行為，最終 LLM 還是輸出有害資訊。進一步的，該研究選擇在將提示傳遞給模型之前對它們進行分類和修改， 這類方法取得了更大的成功。其中一項技術大大降低了 many-shot 越獄的效率，在下圖案例中將攻擊成功率從 61% 降至了 2%。下圖評估了基於提示修改的緩解措施，其中包括兩種針對 many-shot 越獄的提示防禦方法，分別是 In-Context Defense（ICD）和 Cautionary Warning Defense（CWD）（ 本文方法）。結果顯示，CWD 防禦方法對生成有害響應的緩解效果最顯著。Anthropic 正繼續研究這些基於提示的緩解措施以及它們對自家模型（包括 Claude 3 系列模型）有用性的權衡，並對可能逃避檢測的攻擊變體保持警惕。部落格連結：https://www.anthropic.com/research/many-shot-jailbreaking