SAJE：利用模型规范反向攻击模型

基于摘要分析。本文研究 LLM 开发者公开的模型行为规范是否会为黑盒越狱提供优势，提出自适应黑盒搜索框架 SAJE（Specification-Assisted Jailbreaking Exploits），利用规范初始化并引导搜索。主要贡献是将规范内部及不同规范之间的歧义视为潜在攻击线索，考察规范透明度可能带来的安全风险，而非研究 EEG 或 BCI 解码。 机制上，SAJE 将模型规范作为攻击者侧辅助信息，用于定位更有希望产生越狱的搜索区域。摘要未披露歧义的识别方式、搜索更新规则、候选选择策略及具体反馈信号，这些实现细节尚未验证。 作者报告，在三个目标模型、四项评估指标的测试中，SAJE 相对所比较的先进基线最高提升 25 个百分点，但摘要未明确该提升对应的指标、模型与具体协议，不能将其视为所有设置下的一致增益。作者另报告，针对遵循 OpenAI 模型规范的 gpt-oss-20b，在使用 25 次目标模型查询的条件下，攻击成功率（ASR）达到至少 80%。该查询预算的统计单位、任务集合、成功判定标准及重复试验信息尚未验证。作者还称其攻击可诱发更详细的有害信息，但相关度量与对照结果需查阅全文。 论文简要评估了包括 guardrails 在内的防御实践，摘要未给出具体防御效果。复现时需核对所用模型与规范版本、查询预算核算、基线配置、评估任务及统计信息。该工作主要涉及 LLM 安全评估；现有材料未提供其与 EEG/BCI 的具体机制对应，不据此推断神经信号任务中的收益。