Buchumschlag

Speak Easy: Eliciting Harmful Jailbreaks from LLMs with Simple Interactions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chan, Yik Siu, Ri, Narutatsu, Xiao, Yuxin, Ghassemi, Marzyeh
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Computation and Language Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

When Style Breaks Safety: Defending LLMs Against Superficial Style Alignment
von: Xiao, Yuxin, et al.
Veröffentlicht: (2025)

MDAgents: An Adaptive Collaboration of LLMs for Medical Decision-Making
von: Kim, Yubin, et al.
Veröffentlicht: (2024)

SFTMix: Elevating Language Model Instruction Tuning with Mixup Recipe
von: Xiao, Yuxin, et al.
Veröffentlicht: (2024)

In the Name of Fairness: Assessing the Bias in Clinical Record De-identification
von: Xiao, Yuxin, et al.
Veröffentlicht: (2023)

KScope: A Framework for Characterizing the Knowledge Status of Language Models
von: Xiao, Yuxin, et al.
Veröffentlicht: (2025)

Evaluating Prompt Engineering Techniques for Accuracy and Confidence Elicitation in Medical LLMs
von: Naderi, Nariman, et al.
Veröffentlicht: (2025)

Unintended Harms of Value-Aligned LLMs: Psychological and Empirical Insights
von: Choi, Sooyung, et al.
Veröffentlicht: (2025)

Can We Predict Alignment Before Models Finish Thinking? Towards Monitoring Misaligned Reasoning Models
von: Chan, Yik Siu, et al.
Veröffentlicht: (2025)

Laissez-Faire Harms: Algorithmic Biases in Generative Language Models
von: Shieh, Evan, et al.
Veröffentlicht: (2024)

Beyond Behaviorist Representational Harms: A Plan for Measurement and Mitigation
von: Chien, Jennifer, et al.
Veröffentlicht: (2024)

Fairer Preferences Elicit Improved Human-Aligned Large Language Model Judgments
von: Zhou, Han, et al.
Veröffentlicht: (2024)

IatroBench: Pre-Registered Evidence of Iatrogenic Harm from AI Safety Measures
von: Gringras, David
Veröffentlicht: (2026)

Reaching Beyond the Mode: RL for Distributional Reasoning in Language Models
von: Puri, Isha, et al.
Veröffentlicht: (2026)

The Impact of Large Language Models in Academia: from Writing to Speaking
von: Geng, Mingmeng, et al.
Veröffentlicht: (2024)

When Correct Beliefs Collapse: Epistemic Resilience of LLMs under Clinical Pressure
von: Xiao, Boyu, et al.
Veröffentlicht: (2026)

Generative AI in Medicine
von: Shanmugam, Divya, et al.
Veröffentlicht: (2024)

Identifying Implicit Social Biases in Vision-Language Models
von: Hamidieh, Kimia, et al.
Veröffentlicht: (2024)

Train Long, Think Short: Curriculum Learning for Efficient Reasoning
von: Hammoud, Hasan Abed Al Kader, et al.
Veröffentlicht: (2025)

Easy Problems That LLMs Get Wrong
von: Williams, Sean, et al.
Veröffentlicht: (2024)

Wikipedia in the Era of LLMs: Evolution and Risks
von: Huang, Siming, et al.
Veröffentlicht: (2025)

"They are uncultured": Unveiling Covert Harms and Social Threats in LLM Generated Conversations
von: Dammu, Preetam Prabhu Srikar, et al.
Veröffentlicht: (2024)

Reasoning-Based Refinement of Unsupervised Text Clusters with LLMs
von: Islam, Tunazzina
Veröffentlicht: (2026)

Few-Shot Knowledge Distillation of LLMs With Counterfactual Explanations
von: Hamman, Faisal, et al.
Veröffentlicht: (2025)

Benchmarking the Legal Reasoning of LLMs in Arabic Islamic Inheritance Cases
von: AlDahoul, Nouar, et al.
Veröffentlicht: (2025)

Towards Robust Evaluation of Unlearning in LLMs via Data Transformations
von: Joshi, Abhinav, et al.
Veröffentlicht: (2024)

How Far Are We From AGI: Are LLMs All We Need?
von: Feng, Tao, et al.
Veröffentlicht: (2024)

The Personality Illusion: Revealing Dissociation Between Self-Reports & Behavior in LLMs
von: Han, Pengrui, et al.
Veröffentlicht: (2025)

Opir: Efficient Multi-Task Safety Classification for Toxicity, Jailbreaks, Hate Speech, and Harmful Content
von: Stepanov, Ihor, et al.
Veröffentlicht: (2026)

Evaluating Reasoning LLMs for Suicide Screening with the Columbia-Suicide Severity Rating Scale
von: Patil, Avinash, et al.
Veröffentlicht: (2025)

We're Different, We're the Same: Creative Homogeneity Across LLMs
von: Wenger, Emily, et al.
Veröffentlicht: (2025)

From Perceptions to Decisions: Wildfire Evacuation Decision Prediction with Behavioral Theory-informed LLMs
von: Chen, Ruxiao, et al.
Veröffentlicht: (2025)

Discourse vs emissions: Analysis of corporate narratives, symbolic practices, and mimicry through LLMs
von: Hassani, Bertrand Kian, et al.
Veröffentlicht: (2025)

Values in the Wild: Discovering and Analyzing Values in Real-World Language Model Interactions
von: Huang, Saffron, et al.
Veröffentlicht: (2025)

ArzEn-LLM: Code-Switched Egyptian Arabic-English Translation and Speech Recognition Using LLMs
von: Heakl, Ahmed, et al.
Veröffentlicht: (2024)

Sustainable LLM Inference for Edge AI: Evaluating Quantized LLMs for Energy Efficiency, Output Accuracy, and Inference Latency
von: Husom, Erik Johannes, et al.
Veröffentlicht: (2025)

MateInfoUB: A Real-World Benchmark for Testing LLMs in Competitive, Multilingual, and Multimodal Educational Tasks
von: Marius, Dumitran Adrian, et al.
Veröffentlicht: (2025)

Efficient Safety Retrofitting Against Jailbreaking for LLMs
von: Garcia-Gasulla, Dario, et al.
Veröffentlicht: (2025)

COLD-Attack: Jailbreaking LLMs with Stealthiness and Controllability
von: Guo, Xingang, et al.
Veröffentlicht: (2024)

BiasGym: A Simple and Generalizable Framework for Analyzing and Removing Biases through Elicitation
von: Islam, Sekh Mainul, et al.
Veröffentlicht: (2025)

All in How You Ask for It: Simple Black-Box Method for Jailbreak Attacks
von: Takemoto, Kazuhiro
Veröffentlicht: (2024)