利用道德基础理论越狱 LLM：多智能体框架研究

一项基于道德基础理论（MFT）的多智能体框架可对最初拒绝的有害请求进行道德重构，使其在另一种道德基础上显得正当，从而绕过 LLM 安全护栏。研究在三个知名越狱数据集的有害提示上测试了五款开源与专有模型，发现模型对道德化高度敏感，单次尝试越狱率即较高，重复尝试下成功率进一步上升。研究还发现安全基准所违反的道德基础分布不均衡，集中于模型已存在偏见的道德基础。