DARWIN formula el jailbreaking como un proceso evolutivo continuo y actualiza continuamente las barreras de protección mediante un bucle de ataque–defensa. DARWIN-Attack expande un pool explícito de estrategias mediante el descubrimiento, la mutación y la selección de estrategias, y compone estrategias de forma adaptativa utilizando la retroalimentación del objetivo. DARWIN-Guard aprende de las muestras adversariales emergentes, entrenándose conjuntamente con consultas dañinas y benignas disfrazadas para reconocer la intención subyacente en lugar de patrones de ataque superficiales.

✨ Características clave

	Qué ofrece DARWIN
Un adversario en evolución	Un pool explícito y reutilizable de estrategias que crece mediante la adquisición de conocimiento externo, la evolución genética y la reflexión sobre fallos, sin necesidad de ajustar finamente un LLM atacante.
Composición adaptativa de estrategias	Inicialización informada por el historial y transiciones de estrategia de Markov con actualizaciones inspiradas en Q-learning, que permiten evaluar tanto LLMs como barreras de seguridad.
Expansión validada de estrategias	Deduplicación semántica seguida de validación en sandbox contra un LLM alineado antes de que las estrategias candidatas entren en el pool.
Entrenamiento adversarial en línea de la barrera de protección	Entrenamiento iterativo contra el adversario en evolución, con cada ronda inicializada desde el checkpoint de guard anterior.
Clasificación de seguridad consciente de la intención	Prompts dañinos y benignos disfrazados emparejados con sus contrapartes sin disfraz, con las etiquetas de origen preservadas para mejorar la robustez mientras se mitiga el rechazo excesivo.

📊 Resultados

DARWIN-Attack logra la mayor tasa de éxito de ataque (ASR) en los seis objetivos evaluados en ambos benchmarks, en comparación con seis líneas base de jailbreak.

Objetivo	ASR en HarmBench	ASR en AdvBench
DeepSeek-V4-Pro	99.7%	97.6%
GPT-5.5	93.7%	90.7%
Gemini-3.5-Flash	93.0%	90.9%
Claude Sonnet 4.6	78.2%	68.2%
Qwen3Guard	99.7%	98.8%
YuFeng-XGuard	99.2%	96.7%

DARWIN-Guard logra un 95.0% de recall promedio de inseguridad en nueve benchmarks de prompts dañinos, una tasa de aprobación benigna promedio de casi el 100% en seis benchmarks benignos estándar, y tasas de aprobación benigna del 97.6% en XSTest y del 80.0% en JBB-Benign.

🏗️ Arquitectura

DARWIN-Attack evoluciona adversarios de jailbreak mediante la evolución del pool de estrategias, la selección adaptativa de estrategias y el refinamiento guiado por retroalimentación. DARWIN-Guard mejora continuamente mediante entrenamiento adversarial en línea con muestras generadas por DARWIN-Attack.

📁 Estructura del proyecto

DARWIN/
├── assets/                         # Evolution illustration and framework diagram
├── configs/
│   ├── darwin_attack.example.yaml  # Attack, evolution, and evaluation settings
│   └── darwin_guard.example.yaml   # Online adversarial training and guard evaluation
├── src/
│   ├── darwin_attack/              # Strategy pool, evolution, composition, and evaluation
│   └── darwin_guard/               # Data preparation, attack bridge, training, and inference
├── strategies/
│   ├── final_strategy_pool.jsonl   # Released pool of 200 strategies
│   └── mutation_operators.jsonl    # 15 operators across five dimensions
├── schemas/
│   ├── attack/                     # Dataset, strategy, and mutation-operator formats
│   └── guard/                      # Source, paired-training, and evaluation formats
├── tests/
│   ├── attack/
│   └── guard/
├── NOTICE                          # Third-party attribution
└── pyproject.toml                  # Package dependencies and CLI entry points

🚀 Instalación

Usa Python 3.10+. La inferencia y el entrenamiento locales requieren PyTorch compatible con tu hardware; la configuración de entrenamiento usa CUDA y BF16. Las dependencias para modelos locales incluyen Transformers >=5.10.1,<6, incluido el soporte para el filtro Gemma usado durante el entrenamiento.

git clone https://github.com/ZJU-LLM-Safety/DARWIN.git
cd DARWIN

python -m venv .venv
source .venv/bin/activate
python -m pip install -e '.[api,local,training]'

Para solo inferencia con el guard, python -m pip install -e '.[local]' es suficiente. Ejecuta los comandos siguientes desde la raíz del repositorio.

⚔️ DARWIN-Attack

🔄 Cuatro mecanismos de evolución complementarios

Mecanismo	Rol
Evolución por conocimiento externo	Convierte material proporcionado externamente en candidatos de estrategia reutilizables.
Evolución genética de estrategias	Genera candidatos mediante cruce y mutación de estrategias existentes.
Evolución impulsada por reflexión	Analiza la retroalimentación de rechazo y refina las estrategias fallidas.
Evolución guiada por retroalimentación	Usa los resultados de ataque en tiempo real para adaptar la selección y composición posteriores de estrategias.

🧬 15 operadores de mutación

Los operadores se organizan en cinco dimensiones, con tres operadores por dimensión. Sus definiciones se proporcionan en mutation_operators.jsonl.