[ICML 2026 & ICLR 2026 AIWILD] CKA-Agent: تجاوز حواجز الحماية في نماذج اللغة الكبيرة عبر نسج المطالبات غير الضارة والبحث الشجري التكيفي

🛡️ الدفاع ضد CKA

TurnGate هي آلية دفاع واعية بالاستجابة مصممة للكشف عن النوايا الخبيثة الخفية والتخفيف منها في أنظمة الحوار متعددة الأدوار. تدافع ضد الهجمات الخبيثة متعددة الأدوار المتقدمة مثل CKA-Agent، محققةً أداءً دفاعياً ممتازاً مع تجنب الرفض المفرط.

🔥 أحدث النتائج على النماذج الرائدة (ديسمبر 2025)

يُظهر CKA-Agent معدلات نجاح هجوم عالية ومتسقة ضد أحدث النماذج الرائدة، بما في ذلك GPT-5.2 وGemini-3.0-Pro وClaude-Haiku-4.5. النتائج ملخصة أدناه:

Model	HarmBench				StrongREJECT
	FS ↑	PS ↑	V ↓	R ↓	FS ↑	PS ↑	V ↓	R ↓
🟢 GPT-5.2	0.889	0.079	0.024	0.008	0.932	0.056	0.006	0.006
🟣 Gemini-3.0-Pro	0.881	0.087	0.000	0.032	0.951	0.037	0.006	0.006
🟠 Claude-Haiku-4.5	0.960	0.024	0.008	0.008	0.969	0.025	0.006	0.000

المقاييس: FS = نجاح كامل، PS = نجاح جزئي، V = فارغ، R = رفض. تم جمع النتائج في ديسمبر 2025.

نظرة عامة

يحتوي هذا المستودع على التنفيذ الرسمي لـ CKA-Agent، وهو نهج جديد لتجاوز حواجز الحماية في نماذج اللغة الكبيرة (LLMs) التجارية عبر تقنيات نسج المطالبات غير الضارة والبحث الشجري التكيفي.

إعداد البيئة

تثبيت uv

curl -LsSf https://astral.sh/uv/install.sh | sh

إنشاء البيئة

uv venv --python 3.12
source .venv/bin/activate
uv pip install vllm --torch-backend=auto
uv pip install accelerate fastchat nltk pandas google-genai httpx[socks] anthropic

إعداد التجربة

قم بإعداد تجاربك عن طريق تعديل ملف config/config.yml. يمكنك التحكم في الجوانب التالية:

1. مجموعة بيانات الاختبار: اختر من مجموعات البيانات المتاحة مثل harmbench_cka أو strongreject_cka.
2. النماذج المستهدفة: اختر نماذج الصندوق الأسود أو الصندوق الأبيض مثل gpt-oss-120b أو gemini-2.5-xxx.
3. طرق كسر الحماية: تمكين وتكوين طرق الأساس المختلفة المنفذة.
4. التقييمات: حدد مقاييس التقييم ونماذج التحكيم مثل gemini-2.5-flash.
5. طرق الدفاع: طبّق آليات دفاع مختلفة حسب الحاجة.

للحصول على تعليمات التكوين التفصيلية والأمثلة، يرجى الرجوع إلى README التكوين.

تشغيل التجارب

يقوم سكربت run_experiment.sh بتنفيذ main.py لتشغيل خط أنابيب التجربة بالكامل (كسر الحماية والتقييم) بشكل افتراضي.

./run_experiment.sh

يمكنك تعديل سكربت run_experiment.sh أو تمرير الوسائط مباشرة إلى main.py لتشغيل مراحل محددة:

• full: تشغيل خط الأنابيب بالكامل (افتراضي).
• jailbreak: تشغيل طرق كسر الحماية فقط.
• judge: تشغيل التقييم فقط على النتائج الموجودة.
• resume: استئناف تجربة متوقفة.

مثال (تشغيل مرحلة كسر الحماية فقط):

python main.py --phase jailbreak

الاقتباس

إذا وجدت هذا المستودع مفيداً لبحثك، يرجى النظر في الاقتباس من الورقة البحثية التالية:

@inproceedings{wei2025trojan,
      title={The Trojan Knowledge: Bypassing Commercial LLM Guardrails via Harmless Prompt Weaving and Adaptive Tree Search}, 
      author={Rongzhe Wei and Peizhi Niu and Xinjie Shen and Tony Tu and Yifan Li and Ruihan Wu and Eli Chien and Pin-Yu Chen and Olgica Milenkovic and Pan Li},
    booktitle={Forty-third International Conference on Machine Learning},
    year={2026},
    url={https://openreview.net/forum?id=IlJeOnKW0K}
}