AI 安全日报

星***

佬友们好 我对自己的定位就是 AI 安全的学习者 科普者
所以不定时 每天分享一下我看到的东西
JailbrokenAI/wallbreaker 让Agent 全自动调用攻击技巧去测试其他模型。把五花八门可以用来装饰 prompt 的攻击做成脚本或工具让 Agent 调用或排列组合 （这一点从源代码～/tools/*， 看得非常清楚）。里面有大量的文本变形攻击，Jailbroken 论文（wei et al）定义这类攻击为 “string-transformation”。我用的“装饰”定义来自论文h3rm4l，那篇 做了类似探索。还有就是 AutoJailbreak（另外一个用 agent 驱动攻击的开源项目） 也做过这个事情。这类红队架构成功的本质：1）整理好了质量高的攻击算子， 2）自动化 agent 不拒绝这个执行， 3）自动化的 agent 本身能力很强。

据报道，有人在法律文件中隐藏提示注入，试图让处理该文件的 AI 站在提交者一方。隐藏指令要求 AI 在读入该文件时以确保给予救济为目标。

Anthropic 宣布将提供水印检测 API，供第三方检查文本是否由 Claude 生成。

研究人员发现地下论坛正在出售 AI 驱动的黑客工具。相关报告称，犯罪者借助没有伦理限制的复杂服务降低了实施攻击的门槛。这类服务很早就有，uncensored LLMs 有一个lanuch 破限后的 LLMs 的网站 （这里就不分享了）

攻击者通过窃取 API 密钥使用受害者的 AI 服务账户。受害者发现攻击前，相关费用累计已接近 100 万美元。这个跟第三方中转站有关系，正常使用的的用户不用过度焦虑。

Spell 的 tempalte 对 GLM5.3 依旧有效，用来搞 cyber 破坏看起来很compelling。 （看起来用的是 skill 注射，role-play 玩到极致的人 值得 respect

Spell 的 tempalte 对 GLM5.3 依旧有效，用来搞 cyber 破坏看起来很compelling。 （看起来用的是 skill 注射，role-play 玩到极致的人 值得 respect

吴***

有没有星友在山东的，一起出来聚聚啊

TongM***

众筹项目的成果，让我们看到了团结的力量。

铁***

正能量传播：在长期主义者的眼中，生活简单纯粹，没有雄心壮志的目标，有的只是日益传播正能量：精进的每一件小事，如同节奏稳建的匀速慢跑。

ShenSi***

先顶一下，后面认真拆解这篇内容。

YaoSh***

命运，从来不会眷顾那些 裹足不前的人 。