UNA NUEVA PERSPECTIVA

LATIDIA

Preparando tu experiencia…

Tu lugar en este universo.

Con tu autorización. Las coordenadas se muestran sólo en esta página y no se guardan.

CONECTANDO FUENTES
← Actualidad

LATIDIA · Ciberseguridad

Evaluación sistemática de los ataques y defensas adversarios de desguace de cárceles en siete grandes modelos lingüísticos

arXiv: 2610.39509v1Tipo de anuncio: nuevo Resumen: Los modelos de lenguaje grandes (LLM) implementados en entornos críticos para la seguridad deben resistir las entradas adversas diseñadas para obtener salidas dañinas. Presentamos una evaluación empírica sistemática

WhatsApp ↗Telegram ↗
Ilustración editorial relacionada con Evaluación sistemática de los ataques y defensas adversarios de desguace de cárceles en siete grandes modelos lingüísticos
Ilustración conceptual de LATIDIA.

La noticia

arXiv:2610.39509v1 Announce Type: new Abstract: Large language models (LLMs) deployed in safety-critical settings must resist adversarial inputs designed to elicit harmful outputs. We present a systematic empirical evaluation of five adversarial jailbreaking attack families---direct requests, roleplay-based jailbreaking, hypothetical framing, instruction override, and obfuscation---across seven open-weight and API-accessible LLMs: Llama-3-8B, Llama-3.1-8B, Llama-3.2-3B, Mistral-7B, Qwen2.5-7B, Gemma2-9B, and Phi-4-14B. We further evaluate four defense mechanisms: keyword blacklisting, self-reminder prompting, paraphrase-based sanitization, and perplexity-based filtering against the two most vulnerable models. Our results reveal that obfuscation attacks achieve a mean attack success rate (ASR) of 54.3% across all models and constitute the most transferable adversarial vector, bypassing every evaluated model with nonzero success. We

← Volver a los modelos

Cargando ficha del modelo…

LATIDIA / lectura con contexto