AutoRAN-public

🧠 AutoRAN：大型推理模型中安全推理的自动化劫持 AutoRAN 是一种自动化的安全推理劫持方法，利用对齐程度较低（次要）的辅助模型模拟推理轨迹、生成叙事性提示，并迭代优化这些提示，以绕过现代大型推理模型（LRMs）中的安全推理。 ⚠️ 免责声明 ：本仓库仅用于受控安全研究和 AI 安全红队测试。 🔍 核心特性 ⚙️ 自动化多轮越狱 ：通过迭代提示优化实现 🧩 叙事模板 ：在看似合理的教育/道德幌子下包装恶意目标 🔁 优化策略 ：利用中间推理轨迹演化提示 📈 在商业 LRM 上近乎 100% 的攻击成功率 🔬 在 AdvBench 、HarmBench 和 StrongReject...