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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多