X-Teaming 进化式 M2S：多轮到单轮越狱模板的自动发现
X-Teaming Evolutionary M2S: Automated Discovery of Multi-turn to Single-turn Jailbreak Templates
AI总结：
本文提出 X-Teaming 进化式 M2S 框架，通过语言模型引导的进化自动发现多轮转单轮越狱模板，在 GPT-4.1 上实现 44.8% 成功率，并揭示阈值校准与跨模型评估的重要性。
摘要：
多轮到单轮（M2S）将迭代式红队测试压缩为一个结构化提示，但先前的工作依赖于少量手工编写的模板。我们提出了 X-Teaming 进化式 M2S，一个通过语言模型引导的进化来自动发现并优化 M2S 模板的框架。该系统将来自 12 个来源的智能采样与受 StrongREJECT 启发的 LLM-as-judge 相结合，并记录完全可审计的日志。通过将成功阈值设定为 θ=0.70 以保持选择压力，我们获得了五个进化世代、两个新的模板家族，以及在 GPT-4.1 上 44.8% 的总体成功率（103/230）。一个包含 2,500 次试验的平衡跨模型面板（评判器固定）表明，结构上的改进可以迁移，但效果因目标模型而异；两个模型在同一阈值下得分为零。我们还发现提示长度与得分之间存在正相关关系，这促使我们采用长度感知的评判。我们的结果表明，结构层面的搜索是获得更强单轮探测的可复现途径，并强调了阈值校准和跨模型评估的重要性。代码、配置和工件可在 https://github.com/hyunjun1121/M2S-x-teaming 获取。
英文摘要：
Multi-turn-to-single-turn (M2S) compresses iterative red-teaming into one structured prompt, but prior work relied on a handful of manually written templates. We present X-Teaming Evolutionary M2S, an automated framework that discovers and optimizes M2S templates through language-model-guided evolution. The system pairs smart sampling from 12 sources with an LLM-as-judge inspired by StrongREJECT and records fully auditable logs. Maintaining selection pressure by setting the success threshold to $θ= 0.70$, we obtain five evolutionary generations, two new template families, and 44.8% overall success (103/230) on GPT-4.1. A balanced cross-model panel of 2,500 trials (judge fixed) shows that structural gains transfer but vary by target; two models score zero at the same threshold. We also find a positive coupling between prompt length and score, motivating length-aware judging. Our results demonstrate that structure-level search is a reproducible route to stronger single-turn probes and underscore the importance of threshold calibration and cross-model evaluation. Code, configurations, and artifacts are available at https://github.com/hyunjun1121/M2S-x-teaming.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
