ContextualJailbreak：通过模拟对话引导的进化式红队测试

大型语言模型易受越狱攻击，现有自动化红队多局限于单轮静态提示。本文提出 ContextualJailbreak，一种在黑盒设置下对模拟多轮对话进行进化搜索的策略。该方法利用分级伤害评分作为反馈信号，驱动五种语义变异算子（含两种新颖算子）迭代优化攻击提示。实验表明，该策略在多个开源模型上实现极高攻击成功率，显著优于基线方法，且发现的攻击能有效迁移至部分闭源前沿模型，揭示了不同厂商模型在对齐鲁棒性上的显著差异。