Mission Impossible: A Statistical Perspective on Jailbreaking LLMs
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Su, Jingtong, Kempe, Julia, Ullrich, Karen |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
From Concepts to Components: Concept-Agnostic Attention Module Discovery in Transformers
par: Su, Jingtong, et autres
Publié: (2025)
par: Su, Jingtong, et autres
Publié: (2025)
Mission: Impossible Language Models
par: Kallini, Julie, et autres
Publié: (2024)
par: Kallini, Julie, et autres
Publié: (2024)
COLD-Attack: Jailbreaking LLMs with Stealthiness and Controllability
par: Guo, Xingang, et autres
Publié: (2024)
par: Guo, Xingang, et autres
Publié: (2024)
Efficient Safety Retrofitting Against Jailbreaking for LLMs
par: Garcia-Gasulla, Dario, et autres
Publié: (2025)
par: Garcia-Gasulla, Dario, et autres
Publié: (2025)
A Tale of Tails: Model Collapse as a Change of Scaling Laws
par: Dohmatob, Elvis, et autres
Publié: (2024)
par: Dohmatob, Elvis, et autres
Publié: (2024)
A Single Character can Make or Break Your LLM Evals
par: Su, Jingtong, et autres
Publié: (2025)
par: Su, Jingtong, et autres
Publié: (2025)
Soft Tokens, Hard Truths
par: Butt, Natasha, et autres
Publié: (2025)
par: Butt, Natasha, et autres
Publié: (2025)
Embedding Trust: Semantic Isotropy Predicts Nonfactuality in Long-Form Text Generation
par: Bhardwaj, Dhrupad, et autres
Publié: (2025)
par: Bhardwaj, Dhrupad, et autres
Publié: (2025)
Understanding and Mitigating Tokenization Bias in Language Models
par: Phan, Buu, et autres
Publié: (2024)
par: Phan, Buu, et autres
Publié: (2024)
JailbreakRadar: Comprehensive Assessment of Jailbreak Attacks Against LLMs
par: Chu, Junjie, et autres
Publié: (2024)
par: Chu, Junjie, et autres
Publié: (2024)
Iteration Head: A Mechanistic Study of Chain-of-Thought
par: Cabannes, Vivien, et autres
Publié: (2024)
par: Cabannes, Vivien, et autres
Publié: (2024)
The Impossibility Triangle of Long-Context Modeling
par: Zhou, Yan
Publié: (2026)
par: Zhou, Yan
Publié: (2026)
Jailbreaking LLMs via Calibration
par: Lu, Yuxuan, et autres
Publié: (2026)
par: Lu, Yuxuan, et autres
Publié: (2026)
Speak Easy: Eliciting Harmful Jailbreaks from LLMs with Simple Interactions
par: Chan, Yik Siu, et autres
Publié: (2025)
par: Chan, Yik Siu, et autres
Publié: (2025)
Best-of-N Jailbreaking
par: Hughes, John, et autres
Publié: (2024)
par: Hughes, John, et autres
Publié: (2024)
Jailbreaking with Universal Multi-Prompts
par: Hsu, Yu-Ling, et autres
Publié: (2025)
par: Hsu, Yu-Ling, et autres
Publié: (2025)
BiasJailbreak:Analyzing Ethical Biases and Jailbreak Vulnerabilities in Large Language Models
par: Lee, Isack, et autres
Publié: (2024)
par: Lee, Isack, et autres
Publié: (2024)
Tree of Attacks: Jailbreaking Black-Box LLMs Automatically
par: Mehrotra, Anay, et autres
Publié: (2023)
par: Mehrotra, Anay, et autres
Publié: (2023)
Mission Impossible: Feedback-Guided Dynamic Interactive Planning for Improving Reasoning on LLMs
par: Yan, Dong, et autres
Publié: (2025)
par: Yan, Dong, et autres
Publié: (2025)
Competition Report: Finding Universal Jailbreak Backdoors in Aligned LLMs
par: Rando, Javier, et autres
Publié: (2024)
par: Rando, Javier, et autres
Publié: (2024)
A Decomposition Perspective to Long-context Reasoning for LLMs
par: Xiao, Yanling, et autres
Publié: (2026)
par: Xiao, Yanling, et autres
Publié: (2026)
KDA: A Knowledge-Distilled Attacker for Generating Diverse Prompts to Jailbreak LLMs
par: Liang, Buyun, et autres
Publié: (2025)
par: Liang, Buyun, et autres
Publié: (2025)
Jailbreaking LLMs' Safeguard with Universal Magic Words for Text Embedding Models
par: Liang, Haoyu, et autres
Publié: (2025)
par: Liang, Haoyu, et autres
Publié: (2025)
Are the Values of LLMs Structurally Aligned with Humans? A Causal Perspective
par: Kang, Yipeng, et autres
Publié: (2024)
par: Kang, Yipeng, et autres
Publié: (2024)
Impossible Distillation: from Low-Quality Model to High-Quality Dataset & Model for Summarization and Paraphrasing
par: Jung, Jaehun, et autres
Publié: (2023)
par: Jung, Jaehun, et autres
Publié: (2023)
Comprehensive Reassessment of Large-Scale Evaluation Outcomes in LLMs: A Multifaceted Statistical Approach
par: Sun, Kun, et autres
Publié: (2024)
par: Sun, Kun, et autres
Publié: (2024)
Unveiling Downstream Performance Scaling of LLMs: A Clustering-Based Perspective
par: Xu, Chengyin, et autres
Publié: (2025)
par: Xu, Chengyin, et autres
Publié: (2025)
Pruning for Protection: Increasing Jailbreak Resistance in Aligned LLMs Without Fine-Tuning
par: Hasan, Adib, et autres
Publié: (2024)
par: Hasan, Adib, et autres
Publié: (2024)
Shifting Perspectives: Steering Vectors for Robust Bias Mitigation in LLMs
par: Siddique, Zara, et autres
Publié: (2025)
par: Siddique, Zara, et autres
Publié: (2025)
LLMs can be Dangerous Reasoners: Analyzing-based Jailbreak Attack on Large Language Models
par: Lin, Shi, et autres
Publié: (2024)
par: Lin, Shi, et autres
Publié: (2024)
How Data Inter-connectivity Shapes LLMs Unlearning: A Structural Unlearning Perspective
par: Qiu, Xinchi, et autres
Publié: (2024)
par: Qiu, Xinchi, et autres
Publié: (2024)
Instruction Learning Paradigms: A Dual Perspective on White-box and Black-box LLMs
par: Ren, Yanwei, et autres
Publié: (2025)
par: Ren, Yanwei, et autres
Publié: (2025)
Leveraging the Context through Multi-Round Interactions for Jailbreaking Attacks
par: Cheng, Yixin, et autres
Publié: (2024)
par: Cheng, Yixin, et autres
Publié: (2024)
Single-pass Detection of Jailbreaking Input in Large Language Models
par: Candogan, Leyla Naz, et autres
Publié: (2025)
par: Candogan, Leyla Naz, et autres
Publié: (2025)
Jailbreaking in the Haystack
par: Shah, Rishi Rajesh, et autres
Publié: (2025)
par: Shah, Rishi Rajesh, et autres
Publié: (2025)
Configurable Foundation Models: Building LLMs from a Modular Perspective
par: Xiao, Chaojun, et autres
Publié: (2024)
par: Xiao, Chaojun, et autres
Publié: (2024)
Product of Experts with LLMs: Boosting Performance on ARC Is a Matter of Perspective
par: Franzen, Daniel, et autres
Publié: (2025)
par: Franzen, Daniel, et autres
Publié: (2025)
DLF: Disentangled-Language-Focused Multimodal Sentiment Analysis
par: Wang, Pan, et autres
Publié: (2024)
par: Wang, Pan, et autres
Publié: (2024)
Understanding Jailbreak Success: A Study of Latent Space Dynamics in Large Language Models
par: Ball, Sarah, et autres
Publié: (2024)
par: Ball, Sarah, et autres
Publié: (2024)
Principled RL for Diffusion LLMs Emerges from a Sequence-Level Perspective
par: Ou, Jingyang, et autres
Publié: (2025)
par: Ou, Jingyang, et autres
Publié: (2025)
Documents similaires
-
From Concepts to Components: Concept-Agnostic Attention Module Discovery in Transformers
par: Su, Jingtong, et autres
Publié: (2025) -
Mission: Impossible Language Models
par: Kallini, Julie, et autres
Publié: (2024) -
COLD-Attack: Jailbreaking LLMs with Stealthiness and Controllability
par: Guo, Xingang, et autres
Publié: (2024) -
Efficient Safety Retrofitting Against Jailbreaking for LLMs
par: Garcia-Gasulla, Dario, et autres
Publié: (2025) -
A Tale of Tails: Model Collapse as a Change of Scaling Laws
par: Dohmatob, Elvis, et autres
Publié: (2024)