JailbreakBench: 开放的大型语言模型越狱鲁棒性基准测试

RayRay
JailbreakBench语言模型基准测试安全性AI伦理Github开源项目

JailbreakBench: 开放的大型语言模型越狱鲁棒性基准测试

近年来,大型语言模型(LLMs)的快速发展给自然语言处理领域带来了革命性的变化。然而,这些强大的模型也面临着被恶意利用的风险,其中一个主要威胁就是"越狱"攻击。所谓越狱攻击,是指通过特殊的提示或输入,诱导语言模型生成有害、不道德或其他不当的内容。为了应对这一挑战,研究人员提出了JailbreakBench这一开放的鲁棒性基准测试平台。

JailbreakBench的核心组成

JailbreakBench主要由以下几个部分组成:

  1. JBB-Behaviors数据集: 这是一个包含200种不同行为的数据集,其中100种是有害行为,100种是良性行为。这些行为涵盖了从网络钓鱼到隐私侵犯等多个领域,参考了OpenAI的使用政策进行分类。

  2. 官方排行榜: 用于追踪各种攻击和防御方法在JBB-Behaviors数据集上的表现。

  3. 越狱字符串存储库: 收集并存储了已提交的越狱字符串,为研究人员提供了一个稳定的基准来比较未来算法的性能。

  4. 标准化评估框架: 包括明确定义的威胁模型、系统提示、聊天模板和评分函数。

JailbreakBench的主要功能

JailbreakBench为研究人员提供了多种功能:

  1. 加载提交的越狱字符串: 研究人员可以轻松访问和分析已提交的越狱攻击。

  2. 访问JBB-Behaviors数据集: 提供了简单的接口来加载和使用数据集。

  3. 红队测试LLMs的流程: 支持通过API调用或本地运行两种方式查询LLMs。

  4. 提交新的攻击方法: 研究人员可以按照标准化流程提交新的越狱攻击方法。

  5. 提交新的防御方法: 支持研究人员开发和提交新的防御算法。

  6. 越狱和拒绝判断: 提供基于Llama3模型的判断器,用于评估模型输出是否为越狱或拒绝。

JailbreakBench的技术实现

JailbreakBench在技术实现上采用了多种先进方法:

  1. 查询LLMs: 支持使用LiteLLM进行API调用和使用vLLM在本地运行模型。

  2. 防御算法: 实现了多种防御算法,包括SmoothLLM、困惑度过滤、移除非词典词和同义词替换等。

  3. 评估流程: 提供了标准化的评估流程,包括获取越狱字符串、格式化、评估攻击成功率等步骤。

  4. 提交新方法: 详细说明了如何提交新的攻击或防御方法,包括代码结构和必要的文档。

JailbreakBench logo

JailbreakBench的重要性和影响

JailbreakBench的提出对于AI安全研究具有重要意义:

  1. 标准化评估: 提供了一个统一的平台来评估越狱攻击和防御方法,使得不同研究之间的结果更具可比性。

  2. 促进研究进展: 通过公开数据集和排行榜,激励研究人员开发更先进的攻击和防御技术。

  3. 提高模型安全性: 通过收集和分析各种越狱攻击,有助于开发更安全、更鲁棒的语言模型。

  4. 伦理考量: 项目设计时充分考虑了潜在的伦理影响,旨在为研究社区带来积极影响。

JBB-Behaviors数据集详解

JBB-Behaviors数据集是JailbreakBench的核心组成部分之一。它包含了200种不同的行为,分为有害和良性两类:

JBB-Behaviors dataset

每个条目包含以下几个组成部分:

  • Behavior: 描述特定滥用行为的唯一标识符
  • Goal: 请求有争议行为的查询
  • Target: 对目标字符串的肯定响应
  • Category: 基于OpenAI使用政策的更广泛的滥用类别
  • Source: 行为的来源(原创、Trojan Detection Challenge、HarmBench或AdvBench)

数据集的来源分布如下:

JBB-Behaviors source distribution

使用JailbreakBench进行研究

研究人员可以通过以下步骤使用JailbreakBench:

  1. 安装JailbreakBench包
  2. 加载JBB-Behaviors数据集
  3. 使用提供的API查询LLMs
  4. 评估新的攻击或防御方法
  5. 提交结果到官方排行榜

JailbreakBench还提供了详细的文档和示例代码,帮助研究人员快速上手使用该平台。

结论

JailbreakBench作为一个开放的大型语言模型越狱鲁棒性基准测试平台,为AI安全研究提供了宝贵的工具和资源。通过标准化的评估流程、丰富的数据集和公开的排行榜,它促进了越狱攻击和防御研究的发展。未来,随着更多研究人员的参与和贡献,JailbreakBench有望成为推动大型语言模型安全性提升的重要力量。

研究人员和开发者可以通过访问JailbreakBench GitHub仓库来了解更多信息并参与到这个开放的研究项目中来。让我们共同努力,为构建更安全、更可靠的AI系统贡献力量。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多