REFLECTOR: Internalizing Step-wise Reflection against Indirect Jailbreak
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Ma, Jiachen, Zhang, Jiawen, Li, Xiangtian, Zou, Bo, Lu, Chaochao, Yang, Chao |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Native Reasoning Models: Training Language Models to Reason on Unverifiable Data
par: Wang, Yuanfu, et autres
Publié: (2026)
par: Wang, Yuanfu, et autres
Publié: (2026)
SafeCoT: Improving VLM Safety with Minimal Reasoning
par: Ma, Jiachen, et autres
Publié: (2025)
par: Ma, Jiachen, et autres
Publié: (2025)
Step-DPO: Step-wise Preference Optimization for Long-chain Reasoning of LLMs
par: Lai, Xin, et autres
Publié: (2024)
par: Lai, Xin, et autres
Publié: (2024)
Not All Turns Matter: Credit Assignment for Multi-Turn Jailbreaking
par: He, Zhida, et autres
Publié: (2026)
par: He, Zhida, et autres
Publié: (2026)
RePO: Replay-Enhanced Policy Optimization
par: Li, Siheng, et autres
Publié: (2025)
par: Li, Siheng, et autres
Publié: (2025)
AudioJailbreak: Jailbreak Attacks against End-to-End Large Audio-Language Models
par: Chen, Guangke, et autres
Publié: (2025)
par: Chen, Guangke, et autres
Publié: (2025)
CauScale: Neural Causal Discovery at Scale
par: Peng, Bo, et autres
Publié: (2026)
par: Peng, Bo, et autres
Publié: (2026)
ALERT: Zero-shot LLM Jailbreak Detection via Internal Discrepancy Amplification
par: Lin, Xiao, et autres
Publié: (2026)
par: Lin, Xiao, et autres
Publié: (2026)
Structure-based RNA Design by Step-wise Optimization of Latent Diffusion Model
par: Si, Qi, et autres
Publié: (2026)
par: Si, Qi, et autres
Publié: (2026)
CauScientist: Teaching LLMs to Respect Data for Causal Discovery
par: Peng, Bo, et autres
Publié: (2026)
par: Peng, Bo, et autres
Publié: (2026)
SSPO: Self-traced Step-wise Preference Optimization for Process Supervision and Reasoning Compression
par: Xu, Yuyang, et autres
Publié: (2025)
par: Xu, Yuyang, et autres
Publié: (2025)
Towards AI-$45^{\circ}$ Law: A Roadmap to Trustworthy AGI
par: Yang, Chao, et autres
Publié: (2024)
par: Yang, Chao, et autres
Publié: (2024)
Towards Lightweight Time Series Forecasting: a Patch-wise Transformer with Weak Data Enriching
par: Wang, Meng, et autres
Publié: (2025)
par: Wang, Meng, et autres
Publié: (2025)
Omanic: Towards Step-wise Evaluation of Multi-hop Reasoning in Large Language Models
par: Gu, Xiaojie, et autres
Publié: (2026)
par: Gu, Xiaojie, et autres
Publié: (2026)
Reasoned Safety Alignment: Ensuring Jailbreak Defense via Answer-Then-Check
par: Cao, Chentao, et autres
Publié: (2025)
par: Cao, Chentao, et autres
Publié: (2025)
Understanding and Preserving Safety in Fine-Tuned LLMs
par: Zhang, Jiawen, et autres
Publié: (2026)
par: Zhang, Jiawen, et autres
Publié: (2026)
Supervised Reinforcement Learning: From Expert Trajectories to Step-wise Reasoning
par: Deng, Yihe, et autres
Publié: (2025)
par: Deng, Yihe, et autres
Publié: (2025)
Step-wise Adaptive Integration of Supervised Fine-tuning and Reinforcement Learning for Task-Specific LLMs
par: Chen, Jack, et autres
Publié: (2025)
par: Chen, Jack, et autres
Publié: (2025)
Augmented Lagrangian Multiplier Network for State-wise Safety in Reinforcement Learning
par: Zhang, Jiaming, et autres
Publié: (2026)
par: Zhang, Jiaming, et autres
Publié: (2026)
Self-Guided Process Reward Optimization with Redefined Step-wise Advantage for Process Reinforcement Learning
par: Fei, Wu, et autres
Publié: (2025)
par: Fei, Wu, et autres
Publié: (2025)
Self-ReSET: Learning to Self-Recover from Unsafe Reasoning Trajectories
par: Zhang, Dongcheng, et autres
Publié: (2026)
par: Zhang, Dongcheng, et autres
Publié: (2026)
Potent but Stealthy: Rethink Profile Pollution against Sequential Recommendation via Bi-level Constrained Reinforcement Paradigm
par: Su, Jiajie, et autres
Publié: (2025)
par: Su, Jiajie, et autres
Publié: (2025)
Epistemic Traps: Rational Misalignment Driven by Model Misspecification
par: Xu, Xingcheng, et autres
Publié: (2026)
par: Xu, Xingcheng, et autres
Publié: (2026)
From Explicit CoT to Implicit CoT: Learning to Internalize CoT Step by Step
par: Deng, Yuntian, et autres
Publié: (2024)
par: Deng, Yuntian, et autres
Publié: (2024)
BC Protocol: Structured Dual-Expert Dialogue for Eliciting High-Quality Chain-of-Thought Post-Training Data
par: Zou, Bo, et autres
Publié: (2026)
par: Zou, Bo, et autres
Publié: (2026)
QUIET: A Multi-Blank Cascaded Story Cloze Benchmark for LLM Creative Generation Capability
par: Zou, Bo, et autres
Publié: (2026)
par: Zou, Bo, et autres
Publié: (2026)
Calibrated Surprise: An Information-Theoretic Account of Creative Quality
par: Zou, Bo, et autres
Publié: (2026)
par: Zou, Bo, et autres
Publié: (2026)
Jailbreaking Black Box Large Language Models in Twenty Queries
par: Chao, Patrick, et autres
Publié: (2023)
par: Chao, Patrick, et autres
Publié: (2023)
HSF: Defending against Jailbreak Attacks with Hidden State Filtering
par: Qian, Cheng, et autres
Publié: (2024)
par: Qian, Cheng, et autres
Publié: (2024)
A Novel Multimodal RUL Framework for Remaining Useful Life Estimation with Layer-wise Explanations
par: Razzaq, Waleed, et autres
Publié: (2025)
par: Razzaq, Waleed, et autres
Publié: (2025)
Can Post-Training Transform LLMs into Causal Reasoners?
par: Chen, Junqi, et autres
Publié: (2026)
par: Chen, Junqi, et autres
Publié: (2026)
Adversarial Curriculum Graph Contrastive Learning with Pair-wise Augmentation
par: Zhao, Xinjian, et autres
Publié: (2024)
par: Zhao, Xinjian, et autres
Publié: (2024)
The Struggle Between Continuation and Refusal: A Mechanistic Analysis of the Continuation-Triggered Jailbreak in LLMs
par: Deng, Yonghong, et autres
Publié: (2026)
par: Deng, Yonghong, et autres
Publié: (2026)
LINA: Learning INterventions Adaptively for Physical Alignment and Generalization in Diffusion Models
par: Yu, Shu, et autres
Publié: (2025)
par: Yu, Shu, et autres
Publié: (2025)
Equivariant Evidential Deep Learning for Interatomic Potentials
par: Wang, Zhongyao, et autres
Publié: (2026)
par: Wang, Zhongyao, et autres
Publié: (2026)
Dynamic Adversarial Reinforcement Learning for Robust Multimodal Large Language Models
par: Bao, Yicheng, et autres
Publié: (2026)
par: Bao, Yicheng, et autres
Publié: (2026)
Efficient ANN-Guided Distillation: Aligning Rate-based Features of Spiking Neural Networks through Hybrid Block-wise Replacement
par: Yang, Shu, et autres
Publié: (2025)
par: Yang, Shu, et autres
Publié: (2025)
UDora: A Unified Red Teaming Framework against LLM Agents by Dynamically Hijacking Their Own Reasoning
par: Zhang, Jiawei, et autres
Publié: (2025)
par: Zhang, Jiawei, et autres
Publié: (2025)
The Jailbreak Tax: How Useful are Your Jailbreak Outputs?
par: Nikolić, Kristina, et autres
Publié: (2025)
par: Nikolić, Kristina, et autres
Publié: (2025)
Scalable Defense against In-the-wild Jailbreaking Attacks with Safety Context Retrieval
par: Chen, Taiye, et autres
Publié: (2025)
par: Chen, Taiye, et autres
Publié: (2025)
Documents similaires
-
Native Reasoning Models: Training Language Models to Reason on Unverifiable Data
par: Wang, Yuanfu, et autres
Publié: (2026) -
SafeCoT: Improving VLM Safety with Minimal Reasoning
par: Ma, Jiachen, et autres
Publié: (2025) -
Step-DPO: Step-wise Preference Optimization for Long-chain Reasoning of LLMs
par: Lai, Xin, et autres
Publié: (2024) -
Not All Turns Matter: Credit Assignment for Multi-Turn Jailbreaking
par: He, Zhida, et autres
Publié: (2026) -
RePO: Replay-Enhanced Policy Optimization
par: Li, Siheng, et autres
Publié: (2025)