Kihyun Kim、 Hee-Seon Kim、 Wonjun Lee、 Changick Kim
韓国科学技術院 (KAIST)
2026.09 本論文が AACL-IJCNLP 2026 (Main) に採択されました! 🎉2026.08 論文が arXiv で公開されました!2026.08 コードを公開しました!バッチプロンプティングは、複数のクエリを1回の呼び出しにまとめる実用的な推論戦略です。本論文では、その有用性における成功が安全性には及ばないことを示します。すなわち、単独では確実に拒否される有害な質問が、無害な質問のバッチに埋め込まれると有害な応答を引き出してしまうのです。
このリポジトリは、以下の公式コードを提供します:
git clone https://github.com/96kihyun/batch_jailbreak.git
cd batch_jailbreak
conda create -n batch python=3.10 -y
conda activate batch
pip install -r requirements.txt
ローカルモデルの推論および3つの判定モデルにはGPUが必要です。Python 3.10 + PyTorch 2.4 + transformers==5.2 でテスト済みです。
注意:
src/evaluate/llamaguard4/には LlamaGuard-4 用のtransformersのベンダーコピー (Llama4ForConditionalGeneration) が同梱されています。これは LlamaGuard のロード中にのみsys.pathに追加されます。
configs/models.yaml にローカルの HuggingFace チェックポイントパス (生成器 + 判定器) を編集し、configs/api.yaml に APIキーを設定します (または環境変数 OPENAI_API_KEY / GEMINI_API_KEY / ANTHROPIC_API_KEY / HF_TOKEN 経由)。
必要なデータとモデル
data/context_dataset/gsm8k.jsonl (各行に "question" キーを持つ)JailbreakBench/JBB-Behaviors、walledai/StrongREJECTPKU-Alignment/beaver-dam-7b、allenai/wildguardデフォルト: --harmful_dataset JBB、バッチサイズ n = 1..10、313サンプル。無害なスロットは GSM8K (single_math) から埋められます。
python -m src.utils.generate_batch_question_prompt
出力は data/batch_prompt/single_math/{n}/pos_{k}.jsonl 以下に書き込まれます。
python scripts/inference/run_inference_batch_prompt.py \
--model_name qwen \
--case single_math --n 9 --pos 2 \
--harmful_dataset JBB
(model, case, batch_size, pos) に対するバッチスイープ:
bash scripts/inference/run_inference_batch_prompt_eval.sh \
--dataset jbb --gpu_id 0 \
--models phi qwen --cases single_math \
--batch_sizes 12 --pos_values 1 2
python scripts/inference/run_inference_api.py \
--api gpt \
--input_file data/batch_prompt_jbb/single_math/12/pos_2.jsonl \
--model_name gpt --output_subdir batch_prompt_jbb/single_math/12/pos_2 \
--harmful_dataset JBB --extract_pos 2
出力は result/inference/<model>/... 以下に {prompt, response} ペアを含む JSONL として保存されます。
各応答は LlamaGuard-4、WildGuard、Beaver-Dam によってスコアリングされ、多数決で統合されます:
python scripts/eval/run_ensemble.py \
--input_file result/inference/qwen/batch_prompt_jbb/single_math/12/qwen_single_math_n12_pos_2_response.jsonl \
--output_dir result/evaluation/batch_prompt_jbb/qwen/single_math/12/pos_2
推論と同じループ内で評価を実行することもできます:
bash scripts/inference/run_inference_batch_prompt_eval.sh \
--dataset jbb --gpu_id 0 \
--models qwen --cases single_math \
--batch_sizes 12 --pos_values 2 \
--conda_env batch
# 1. data
python -m src.utils.generate_batch_question_prompt \
--harmful_dataset JBB --min_n 12 --max_n 12 --num_samples 100
# 2. inference
python scripts/inference/run_inference_batch_prompt.py \
--model_name llama --case single_math --n 12 --pos 2 --harmful_dataset JBB
# 3. evaluation
python scripts/eval/run_ensemble.py \
--input_file result/inference/llama/batch_prompt/llama_single_math_n12_pos_2_response.jsonl
本研究がお役に立ちましたら、論文の引用をご検討ください。
@article{kim2026safety,
title={Safety in Batches? Understanding and Mitigating Safety Failures in Batch Prompting},
author={Kim, Kihyun and Kim, HeeSeon and Lee, Wonjun and Kim, Changick},
journal={arXiv preprint arXiv:2608.02681},
year={2026}
}
論文やコードに関するご質問は、[email protected] までメールでお問い合わせください。
| フラグ | デフォルト | 説明 |
|---|
--harmful_dataset | JBB | JBB または StrongREJECT |
--min_n / --max_n | 1 / 10 | バッチサイズ N の範囲 (両端を含む) |
--num_samples | 313 | 有害プロンプトの数 |
--seed | 42 | 乱数シード |
--output_dir | ./data/batch_prompt | 出力ルート |