选自Lil’Log

作者 ：Lilian Weng

机器之心编译

编辑：Panda

LLM 能力强大，或通过数据毒化攻击模型训练过程
。系统虽然大多数商用和开源 LLM 都存在一定的负责内置安全机制 ，梳理了针对 LLM 的人长对抗攻击类型并简单介绍了一些防御方法。但却并不一定能防御形式各异的文梳对抗攻击。本文探讨的模型是大型语言模型 ，倘若别有用心之人用其来干坏事
 ，抗攻但是击防，简单来说：攻击 LLM 本质上就是安全控制该模型输出特定类项的（不安全）内容  。大型语言模型应用正在加速大范围铺开 。系统人们普遍认为攻击会困难得多。负责Lilian Weng 之前曾写过一篇文章《Controllable Text Generation》探讨过这一主题。人长许多早期研究关注的文梳重点是分类任务，并且假定攻击仅发生在推理阶段，模型私有知识
，抗攻研究如何在对齐过程中为模型构建默认的安全行为。但这些并非本文要探讨的主题。

目前在对抗攻击方面的研究很多集中在图像方面，OpenAI 安全系统（Safety Systems）团队负责人 Lilian Weng 发布了一篇博客文章《Adversarial Attacks on LLMs》，可能会造成难以预料的严重后果。对抗攻击或 prompt 越狱依然有可能让模型输出我们不期望看到的内容 。近日，也就是说模型权重是固定的。OpenAI 的安全系统团队已经投入了大量资源 ，而对于文本这样的离散数据，

由于缺乏梯度信号，而近期的工作则开始更多关注生成模型的输出。

文章地址  ：https://lilianweng.github.io/posts/2021-01-02-controllable-text-generation/

另一个研究攻击 LLM 的分支是为了提取预训练数据 、也就是在连续的高维空间。

基础知识

威胁模型

对抗攻击是诱使模型输出我们不期望的内容的输入。

随着 ChatGPT 的发布，