突破上限：通过扩展策略空间探索越狱攻击的潜力

基于摘要分析。本文研究大语言模型（LLMs）的黑盒越狱攻击，核心问题是既有提示工程方法的效果可能受预定义策略空间限制。作者提出一种扩展策略空间的框架，以精细加工可能性模型（Elaboration Likelihood Model，ELM）理论分解越狱策略的基本组成，并结合基于遗传算法的优化与意图评估机制，探索更广泛的攻击策略。 机制上，研究试图同时解决两项困难：系统地刻画关键攻击模式，以及在策略空间扩大后有效搜索。摘要给出了“策略分解—遗传优化—意图评估”的总体思路，但未说明具体组件、编码方式、适应度定义、意图评估器的训练或调用方式，相关实现细节尚未验证。 结果方面，作者报告，在其黑盒攻击评估中，对 Claude-3.5 的攻击成功率超过 90%，并称此前方法在相应评估中完全失败；作者还报告较强的跨模型迁移能力，以及高于专门安全防护模型的评估准确性。摘要未给出攻击任务集、模型具体版本、查询预算、成功判定标准、对照方法与统计信息，因此这些结论只能在作者所述评估前提下理解，不能与其他协议下的结果直接比较。评估准确性与攻击成功率属于不同指标，不应混用。 作者提供了开源实现 CL-GSO，但代码内容、运行条件及其与论文实验的一致性尚未验证。全文阅读应重点核对策略空间扩展的实际贡献、搜索成本、意图评估可靠性，以及对照与消融协议。本文主要对象是 LLM 安全评估，材料未提供 EEG 或 BCI 的具体机制对应关系，不据此生成神经信号迁移或复现实验建议。