Contact
Algerie - Plateforme academique nationale
...
Préparez votre séjour scientifique

Laboratoire d’accueil · Lettre d’accueil · Orientation du dossier

En savoir plus

IA & Recherche · arXiv AI · publications

Minimal, Local, Causal Explanations for Jailbreak Success in Large Language Models

Extrait de la source

Cette page structure un contenu IA & recherche pour faciliter la lecture, la citation et la vérification par les chercheurs, étudiants et moteurs IA.

arXiv:2605.00123v1 Announce Type: new Abstract: Safety trained large language models (LLMs) can often be induced to answer harmful requests through jailbreak prompts. Because we lack a robust understanding of why LLMs are susceptible to jailbreaks, future frontier models operating more autonomously in higher-stakes settings may similarly be vulnerable to such attacks. Prior work has studied jailbreak success by examining the model's intermediate representations, identifying directions in this space that causally encode concepts like harmfulness and refusal. Then, they globally explain all jailbreak attacks as attempting to reduce or strengthen these concepts (e.g., reduce harmfulness). However, different jailbreak strategies may succeed by strengthening or suppressing different intermediate concepts, and the same jailbreak strategy may not work for different harmful request categories (e.g., violence vs. cyberattack); thus, we seek to give a local explanation -- i.e., why did this specific jailbreak succeed? To address this gap, we introduce LOCA, a method that gives Local, CAusal explanations of jailbreak success by identifying a minimal set of interpretable, intermediate representation changes that causally induce model refusal on an otherwise successful jailbreak request. We evaluate LOCA on harmful original-jailbreak pairs from a large jailbreak benchmark across Gemma and Llama chat models, comparing against prior methods adapted to this setting. LOCA can successfully induce refusal by making, on average, six interpretable changes; prior work routinely fails to achieve refusal even after 20 changes. LOCA is a step toward mechanistic, local explanations of jailbreak success in LLMs. Code to be released.

Votre atelier DzCademia

Vérifier une méthode ou une promesse de publication

Une vidéo ou un outil de choix de revue peut servir à présélectionner des titres, pas à garantir une acceptation. Vérifiez l’identité de la revue, le périmètre, le guide auteur et les frais sur ses pages officielles. Ne choisissez pas une revue uniquement sur une promesse de rapidité ou un indicateur isolé.

Un exercice concret

Comparez deux revues sur votre question précise : adéquation scientifique, types d’articles, instructions et conditions vérifiées. Gardez les points inconnus comme des questions à résoudre.

Repères de cette fiche
Sujet
Minimal, Local, Causal Explanations for Jailbreak Success in Large Language Models
Site source
arxiv.org
Date de publication à la source
2026-05-05
Date de collecte sur DzCademia
2026-05-05
Mon plan de préparation

Liste personnelle indicative, distincte des pièces ou règles officielles. Vos cases restent sur cet appareil ; aucun compte nécessaire.

0 / 5 étapes cochées

Consulter la source

Conseils et exercices DzCademia, distincts du résumé et des exigences de la source. Aide structurée avec assistance automatisée ; elle ne vaut ni validation scientifique ni promesse de sélection. Source consultée le 2026-10-28.

Voir la source originale

Source officielle ou originale : arXiv AI. Vérifiez toujours les détails sur la source primaire.

Retour IA & Recherche
369
Manifestations recensees
1419444
Visites cumulees
2150
Visites aujourd'hui