GRP-Obliteration: 単一のラベルなしプロンプトでLLMの整合性を崩す

GRP-Obliteration: 単一のラベルなしプロンプトでLLMの整合性を崩す 著者: Mark Russinovich, Yanan Cai, Keegan Hines, Giorgio Severi, Blake Bullwinkel, Ahmed Salem 安全性整合性は、その最も弱い失敗モードと同じくらいしか堅牢ではありません。トレーニング後の安全性に関する広範な研究にもかかわらず、デプロイメント後のファインチューニングによってモデルの整合性が容易に崩れることが示されています。しかし、これらの手法はしばしば広範なデータキュレーションを必要とし、モデルの有用性を低下させます。本研究では、Group Relative Policy Optimization（GRPO）を使用してターゲットモデルから直接安全性制約を削除するGRP-Obliteration（GRP-Oblit）という手法を導入することにより、整合性崩壊の実用的な限界を拡張します。単一のラベルなしプロンプトが、安全性整合されたモデルの整合性を効果的に崩壊させ、その有用性を大部分維持するのに十分であることを示し、GRP-Oblitは既存の最先端技術よりも平均して強力な整合性崩壊を達成します。さらに、GRP-Oblitは言語モデルを超えて一般化し、拡散ベースの画像生成システムの整合性も崩壊させることができます。私たちは、Instructモデルと推論モデル、およびDenseとMoEアーキテクチャの両方を含む15の7B-20Bパラメータモデルにわたる6つの有用性ベンチマークと5つの安全性ベンチマークでGRP-Oblitを評価しました。評価されたモデルファミリーには、GPT-OSS、Distilled DeepSeek、Gemma、Llama、Ministral、およびQwenが含まれます。 Subjects: Machine Learning (cs.LG); Artificial Intelligence (cs.AI) Cite as: arXiv:2602.06258 [cs.LG] (or arXiv:2602.06258v1 [cs.LG] for this version) https://doi.org/10.48550/arXiv.2602.06258 Focus to learn more arXiv-issued DOI via DataCite Submission history From: Ahmed Salem [view email] [v1] Thu, 5 Feb 2026 23:17:37 UTC (2,280 KB) Full-text links: Access Paper: View a PDF of the paper titled GRP-Obliteration: Unaligning LLMs With a Single Unlabeled Prompt, by Mark Russinovich and 5 other authorsView PDFHTML (experimental)TeX Source view license Current browse context: cs.LG < prev | next > new | recent | 2026-02 Change to browse by: cs cs.AI References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer (What is the Explorer?) Connected Papers Toggle Connected Papers (What is Connected Papers?) Litmaps Toggle Litmaps (What is Litmaps?) scite.ai Toggle scite Smart Citations (What are Smart Citations?) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv (What is alphaXiv?) Links to Code Toggle CatalyzeX Code Finder for Papers (What is CatalyzeX?) DagsHub Toggle DagsHub (What is DagsHub?) GotitPub Toggle Gotit.pub (What is GotitPub?) Huggingface Toggle Hugging Face (What is Huggingface?) ScienceCast Toggle ScienceCast (What is ScienceCast?) Demos Demos Replicate Toggle Replicate (What is Replicate?) Spaces Toggle Hugging Face Spaces (What is Spaces?) Spaces Toggle TXYZ.AI (What is TXYZ.AI?) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower (What are Influence Flowers?) Core recommender toggle CORE Recommender (What is CORE?) IArxiv recommender toggle IArxiv Recommender (What is IArxiv?) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs. Which authors of this paper are endorsers? | Disable MathJax (What is MathJax?)