BAIT：基于自条件化推理的边界引导披露升级

本文提出 BAIT（边界感知迭代陷阱），一种通过内部披露实现恶意目标的三步越狱框架。该方法首先引导模型识别保护边界，随后要求其细化该边界，最后请求详细示例。BAIT 利用模型 prior 回答逐步扩展，将模型自身的推理能力与一致性倾向转化为信息披露路径。在多个基准测试上的实验表明，BAIT 在主流大语言模型上均取得显著优于传统基线的攻击成功率。分析进一步揭示：预防性 framing 优于直接知识请求，细化步骤对披露升级至关重要，且前两步能在极少触发过滤的情况下诱导有害内容。