AutoRANは、セーフティ推論の自動ハイジャックであり、アライメントが低い（二次的な）補助モデルを活用して推論トレースをシミュレートし、ナラティブプロンプトを生成し、それらのプロンプトを反復的に洗練させることで、現代の大規模推論モデル（LRM）におけるセーフティ推論をバイパスします。
⚠️ 免責事項: このリポジトリは、管理されたセキュリティ研究およびAI安全性のレッドチーミングのみを目的としています。
AutoRANは3段階のパイプラインで構成されています：
ログと結果は/recordsディレクトリにあります。例：
ls -lh records/
# Clone the repository
git clone {THIS_REPO}
cd AutoRAN
# Install dependencies
pip install -r requirements.txt
# Apply for model access (see HuggingFace link)
# https://huggingface.co/huihui-ai/Qwen3-8B-abliterated/tree/main
# Start the model server (recommended: use tmux or screen)
vllm serve huihui-ai/Qwen3-8B-abliterated --tensor-parallel-size 4 --port 8000
# Edit the attack prompt in demo.py as needed
python demo.py
# Follow the command line instructions.
# You may need to copy questions to GPT-o3, GPT-o4 Mini, or Gemini 2.5-Flash/Pro,
# then paste the results back into the terminal as prompted.
# Clone the repository
git clone {THIS_REPO}
cd AutoRAN
# Install dependencies
pip install -r requirements.txt
# Set up chat2api for automatic ChatGPT interaction:
# https://github.com/lanqian528/chat2api
# Apply for model access (see HuggingFace link)
# https://huggingface.co/huihui-ai/Qwen3-8B-abliterated/tree/main
# Start the model server (recommended: use tmux or screen)
vllm serve huihui-ai/Qwen3-8B-abliterated --tensor-parallel-size 4 --port 8000
# Run the main experiment script
python main.py
このコードは研究および教育目的のみで公開されています。LLMの安全性の脆弱性を責任を持って評価する取り組みを支援することを目的としています。実世界のシステムを標的にしたり、管理された環境の外で有害な出力を生成するためにこのコードを使用しないでください。
@misc{liang2025autoranautomatedhijackingsafety,
title={AutoRAN: Automated Hijacking of Safety Reasoning in Large Reasoning Models},
author={Jiacheng Liang and Tanqiu Jiang and Yuhui Wang and Rongyi Zhu and Fenglong Ma and Ting Wang},
year={2025},
eprint={2505.10846},
archivePrefix={arXiv},
primaryClass={cs.LG},
url={https://arxiv.org/abs/2505.10846},
}