用「道德」当钥匙，一句话骗开大模型的安全锁？Moral Combat 论文把越狱改写成「正义叙事」
TL;DR：一篇 10 月 14 日提交到 arXiv 的论文提出了一套多智能体框架，把模型原本拒绝的有害请求，改写成从另一种道德基础看「很正当」的说法，再配上生成的先例。作者称在 3 个越狱数据集、5 个开源与闭源模型上，模型对这种「道德化」改写高度脆弱，单次成功率高，重复尝试后还会上升。但摘要没有给出具体数字、数据集和模型名单，「一句话」只是标题的修辞，并非论文原话。 这篇论文题为《Moral Combat: Exploiting Moral Foundations Th