股票配资网首页官网
第一作者武骁睿，武汉大学计算机学院博士一年级生，研究大语言模型安全对齐与红队数据生成，侧重低资源场景的对齐策略与风险覆盖。导师：李庄讲师（RMIT，低资源 NLP、计算社会科学、模型安全），姬东鸿教授、李霏副教授、腾冲副教授（武汉大学，情感计算、信息抽取）。合作单位蚂蚁集团、蚂蚁国际，合作作者张欣主任工程师、毛潇锋工程师。
大语言模型（LLM）已经在多项自然语言处理任务中展现出卓越能力，但其潜在安全风险仍然是阻碍规模化落地的关键瓶颈。目前社区用于安全对齐的公开数据集，往往偏重于「词汇多样性」，即让同一种风险指令尽可能用不同的表达方式出现，却很少系统考虑指令背后的「恶意意图多样性」以及「越狱策略多样性」。缺乏后两者会导致风险覆盖不足：模型在看似通过测试的情况下，仍可能在陌生场景或复杂攻防对抗中暴露漏洞。
TRIDENT 针对这一痛点，首次提出「词汇-恶意意图-越狱策略」三维多样化框架。通过 persona-based + zero-shot 的自动生成范式，配合六大越狱技术，能够以低成本、大规模地产出高质量、高覆盖的红队数据，为后续的监督微调（SFT）或直接偏好优化（Direct Preference Optimization, DPO）等提供更加稳健的安全训练材料。
单位：武汉大学、蚂蚁集团、蚂蚁国际、皇家墨尔本理工大学
研究方向：大语言模型安全 / 红队数据自动化构建
论文标题：TRIDENT: Enhancing Large Language Model Safety with Tri-Dimensional Diversified Red-Teaming Data Synthesis
论文链接：https://aclanthology.org/2025.acl-long.733/
代码开源：https://github.com/FishT0ucher/TRIDENT
与传统依赖专家或众包人工编写红队指令的方式相比，TRIDENT 极大降低了人工依赖；与仅围绕单一维度做数据增强的方法相比，TRIDENT 在多项安全基准上显著提升了模型的拒绝能力和对抗鲁棒性。
图 1 TRIDENT-CORE 与各基线数据集在 14 类意图域的覆盖对比
主要贡献
构建了首个三维度风险覆盖评估框架，能够定量衡量数据集在词汇、恶意意图以及越狱策略三个维度的多样性与均衡度；
设计了端到端自动化数据生成管线 TRIDENT，可在无人干预的情况下生成两套数据：TRIDENT-CORE（26,311 条，覆盖词汇 + 意图）与 TRIDENT-EDGE（18,773 条，引入越狱策略维度）；
在 META-LLAMA-3.1-8B 上进行 LoRA 微调后，Harm Score 相对最佳基线降低 14.29%，Attack Success Rate 下降 20%，同时 Helpful Rate 保持或小幅上升，证明安全性与有用性可以兼得；
通过细粒度消融实验验证：任何一个维度的缺失都会导致安全指标大幅下降，说明多维度协同不可替代。
问题背景
自 ChatGPT 引爆关注以来，业界与学界在「安全指令微调」方面投入了大量精力，但仍面临三大顽疾：
意图类别失衡 —— 公开数据集中暴力犯罪、色情犯罪相关指令占比高，而金融诈骗、基础设施破坏等高危领域数据极少；
越狱策略缺失 —— 多数数据集仅包含直白的危险请求，很少涵盖 Cipher、Code Injection 等最新攻防技巧；
构造成本高 —— 人工撰写或筛选指令耗时耗力，更新周期跟不上模型演进速度。
这导致即便模型通过了现有 benchmark，也难以在真实线上流量或新型越狱攻击面前保持稳健。
方法设计
「场景 -人格 -指令」三级生成：首先利用无审查 LLM 在 14 大高风险领域生成细粒度情境描述；然后让同一模型推理出符合情境的 Persona（角色、职业、动机等）；最后通过角色扮演生成与 Persona 相匹配的恶意指令，从而自然引入词汇与意图多样性。
六大越狱方法注入：Cipher Encoding、Code Injection、Low-Resource Translation、Past Tense 重写、Persona Modulation、RENELLM 复杂变换。通过在原指令上随机叠加这些策略，增强攻击穿透力并扩大策略覆盖面。
两阶段过滤：先用 LLAMA-GUARD-3 做安全判别，确保指令确实「危险」；再用 Self-BLEU 去重，删除文本相似度阈值的样本，保证词汇多样性。
安全回复生成：采用带链式思考的安全模板，分三步（指出风险 -共情安抚 -正向引导）生成守规且有用的回复，为后续 SFT 提供正反示例。
图 2 TRIDENT 自动化数据生成流水线（pipeline）
实验结果
基准对比：在 HarmBench、XS-Test、AdvBench、SC-Safety 等 7 个公开基准上，与 AART、ATTAQ、HH_RLHF、SAFE_RLHF、WILDBREAK、WILDCHAT 六大数据集相比，TRIDENT-EDGE 微调模型的平均 Harm Score 最低，Attack Success Rate 最低，同时 Helpful Rate 与最佳基线持平或更优。
消融分析：逐次移除词汇、意图、越狱三个维度后，再微调并评测——无论去掉哪一维度，模型在所有安全指标上均显著退化，其中去掉越狱策略时 Attack Success Rate 上升最明显（+11.3%）。
越狱攻击评估：将六种越狱策略单独或组合应用于 TRIDENT-CORE 指令，对七大主流 LLM（Llama-3.1-8B-chat, Qwen-2.5-7B, GPT-3.5 Turbo 等）发起攻击；组合策略下成功率平均提升 25%，说明多策略融合能更全面暴露模型弱点。
表1 TRIDENT‑EDGE 与基线在 7 个安全基准的评测结果（节选文章Table 4）
表 2 六种越狱策略对红队指令攻击成功率的提升效果（节选文章 Table 5）
突破意义
TRIDENT 为 LLM 安全对齐提供了首个三维多样化自动化生成范式，兼顾高覆盖、低成本与可持续迭代。其框架与数据可直接集成至 RLHF / DPO / RLAIF 等训练流水线。对于缺乏安全标注团队的研究者而言，TRIDENT-CORE 作为「即插即用」的安全微调底座数据，可显著降低安全研究的门槛，加速可信 AI 的大规模落地。
我们相信，多维度、多样化的安全数据共建，将成为下一阶段促进大模型可信生态的关键基础设施。值得强调的是，TRIDENT 并非「一次性」数据集，而是可随模型版本、威胁情报和法规更新而持续演进的生成框架，这使其在快速变化的攻防环境中始终保持前沿适应性股票配资网首页官网，为产业界和学术界提供长久价值。
配资门户提示：文章来自网络，不代表本站观点。
- 上一篇：股票配资网首页官网 江特电机：实控人变更为王新、朱军 股票明起复牌
- 下一篇：没有了
相关文章
沪深京指数
热点资讯
