多忽悠幾次AI全招了！Anthropic警告：長上下文成越獄突破口，GPT羊駝Claude無一幸免

克雷西 2024-04-03 14:22:13 來源：量子位

克雷西 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

大模型廠商在上下文長度上卷的不可開交之際，一項(xiàng)最新研究潑來了一盆冷水——

Claude背后廠商Anthropic發(fā)現(xiàn)，隨著窗口長度的不斷增加，大模型的“越獄”現(xiàn)象開始死灰復(fù)燃。

無論是閉源的GPT-4和Claude 2，還是開源的Llama2和Mistral，都未能幸免。

研究人員設(shè)計(jì)了一種名為多次樣本越獄（Many-shot Jailbreaking，MSJ）的攻擊方法，通過向大模型灌輸大量包含不良行為的文本樣本實(shí)現(xiàn)。

通過這種方法，他們測試了包括Claude 2.0、GPT-4等在內(nèi)的多個(gè)知名大模型。

結(jié)果，只要忽悠的次數(shù)足夠多，這種方法就能在各種類型的不良信息上成功攻破大模型的防線。

目前，針對這一漏洞，尚未發(fā)現(xiàn)完美的解決方案，Anthropic表示，發(fā)布這一信息正是為了問題能盡快得到解決，并已提前向其他廠商和學(xué)術(shù)界通報(bào)了這一情況。

那么，這項(xiàng)研究具體都有哪些發(fā)現(xiàn)呢？

知名模型無一幸免

首先，研究人員用去除了安全措施的模型生成了大量的有害字符串。

這些內(nèi)容涵蓋濫用或欺詐內(nèi)容（Abusive or fraudulent）、虛假或誤導(dǎo)性信息（Deceptive or misleading）、非法或管制物品、暴力仇恨或威脅內(nèi)容四個(gè)方面，每個(gè)方面各生成了2500條樣本，研究人員從每種類型中各挑選了200個(gè)用于測試。

然后，研究人員把這些內(nèi)容打亂順序，并改編成用戶與模型的“聊天記錄”，并將目標(biāo)問題一起輸入被測模型。

然后，研究人員用一個(gè)拒絕分類器（refusal classifier）來對攻擊效果進(jìn)行了評(píng)估，這個(gè)分類器會(huì)根據(jù)模型的響應(yīng)來判斷其是否“拒絕”了不適當(dāng)?shù)恼埱蟆?/p>

結(jié)果發(fā)現(xiàn)，閉源模型中最強(qiáng)的GPT-4和Claude，以及開源模型中最知名的Llama和Mistral，在面對不同類型的攻擊信息時(shí)，無一例外全部淪陷。

而且隨著樣本數(shù)量的不斷增多，這種攻擊方法在四種類型的有害內(nèi)容上的攻擊成功率都呈現(xiàn)出了大幅上升，最多的已經(jīng)超過了70%。

而且成功的概率與樣本數(shù)量之間呈現(xiàn)出了指數(shù)分布，樣本數(shù)量在8時(shí)以下幾乎無法成功，而到了2^5（32）的位置出現(xiàn)了明顯拐點(diǎn)，再到2^8（256）時(shí)已經(jīng)擁有極高的成功率。

而從模型的維度看，除了Llama2-70B由于窗口長度限制沒有樣本較多時(shí)的數(shù)據(jù)之外，GPT、Claude等模型的負(fù)對數(shù)似然（NLL，越低代表攻擊越成功）值也呈現(xiàn)出了這樣的分布規(guī)律。

同時(shí)研究人員還發(fā)現(xiàn)，目標(biāo)問題與給出信息的匹配程度、模型大小和信息的格式，也都會(huì)影響攻擊的成功率。

當(dāng)目標(biāo)問題與攻擊信息不匹配時(shí)，如果攻擊信息涵蓋的類型足夠多樣化，攻擊成功率幾乎沒有受到任何影響，但當(dāng)其涉及范圍較窄時(shí)，攻擊則幾乎失效。

規(guī)模方面，越大的模型，被攻擊的概率也越大；而通過交換身份、翻譯等方式修改攻擊內(nèi)容的格式，也會(huì)提高成功概率。

此外，這種攻擊方式還可以與其他越獄技術(shù)結(jié)合，例如與黑盒攻擊一同使用時(shí)，成功率最多可以提高將近20個(gè)百分點(diǎn)。

總的來說，這樣的攻擊方式，從原理上看似乎很簡單，但為什么窗口長度變長之后，成功率就增加了呢？

或許你已經(jīng)注意到，研究人員發(fā)現(xiàn)“越獄”的成功率和樣本數(shù)量遵循冪律分布，也就是隨著樣本越來越多，成功率不僅更高，增長得也更快。

而且研究發(fā)現(xiàn)，較大的模型在長上下文中學(xué)習(xí)的速度也更快，更容易受到上下文內(nèi)容的影響。

而窗口長度的增加，也就意味著為有害信息提供了更多的土壤，可以加入的樣本數(shù)量變多了，模型能看到學(xué)到的也就更多了，“越獄”概率自然隨之大幅上升。

此外還有模型的長期依賴性的影響——較長的上下文允許模型學(xué)習(xí)并模仿更長序列的行為模式，這也可能導(dǎo)致模型在面對攻擊時(shí)表現(xiàn)出不期望的行為。

那么，有沒有什么辦法能解決這個(gè)問題呢？有，但都還不完善。

解決方案仍待探索

針對這一問題，研究人員也提出了一些可能的解決方案，不過都還存在瑕疵。

最簡單粗暴的，就是限制窗口長度，這種方法直接“釜底抽薪”，理論上是有效的，但難免有些因噎廢食。

第二個(gè)思路，則是通過監(jiān)督學(xué)習(xí)（SL）和強(qiáng)化學(xué)習(xí)（RL）來進(jìn)行對齊微調(diào)，從而減少有害內(nèi)容的生成。

可以看出，隨著對齊強(qiáng)度的增大，成功攻擊所需的樣本數(shù)量確實(shí)有所增大，但并未改變指數(shù)型的增長趨勢。

于是研究人員又改用具有針對性的SL和RL，結(jié)果是外甥打燈籠——照舊（舅）。

隨著RL步數(shù)的增加，攻擊難度同樣是越來越大，但是整體趨勢依舊無法扭轉(zhuǎn)。

另外一種方式就是從提示詞下手，包括InContext Defense（ICD）和Cautionary Warning Defense（CWD）等方法——

ICD在提示前添加拒絕有害問題的示例，而CWD則在提示前后添加警告文本，意圖預(yù)防或減輕這種攻擊帶來的影響。

結(jié)果發(fā)現(xiàn)，作者提出的CWD方法效果出奇的好，在樣本數(shù)不超過128時(shí)，攻擊幾乎無法取得成功，繼續(xù)增加樣本量時(shí)，61%的成功率也降到了2%。

但這種方法同樣存在局限性，一是攻擊策略在不斷變化、新的有害內(nèi)容類型也隨時(shí)可能出現(xiàn)，CWD可能需要頻繁更新和維護(hù)才能保持有效，無疑會(huì)增加運(yùn)營成本。

另外，過多的警告性文本可能會(huì)干擾模型的正常運(yùn)作，例如減慢響應(yīng)時(shí)間或影響生成內(nèi)容的自然流暢性，導(dǎo)致用戶體驗(yàn)下降。

總之，目前尚未找到既能完美解決問題又不顯著影響模型效果的辦法，Anthropic選擇發(fā)布通告將這項(xiàng)研究公之于眾，也是為了讓整個(gè)業(yè)界都能關(guān)注這個(gè)問題，從而更快找到解決方案。

而這背后也體現(xiàn)出了人們對大模型認(rèn)識(shí)的不足，就像這位Anthropic員工所說，人們在認(rèn)識(shí)上下文窗口這件事情上，還有很長的路要走……

參考鏈接（含論文）：

https://www.anthropic.com/research/many-shot-jailbreaking