ycliper

Популярное

Музыка Кино и Анимация Автомобили Животные Спорт Путешествия Игры Юмор

Интересные видео

2025 Сериалы Трейлеры Новости Как сделать Видеоуроки Diy своими руками

Топ запросов

смотреть а4 schoolboy runaway турецкий сериал смотреть мультфильмы эдисон
Скачать

Jailbreaking AI: The Threat, the Methods, and the Defense | AAAI-25 Educational AI Video Winner

Автор: AAAI

Загружено: 2025-02-28

Просмотров: 224

Описание: "Jailbreaking AI: The Threat, the Methods, and the Defense"
➡️ AAAI-25 Educational AI Video Winner
➡️ https://aaai.org/about-aaai/aaai-awar...

---

1. OpenAI statement on GPT-4 bio-weapon hazards[0:11]: https://openai.com/index/building-an-...
2. Evolution of DAN prompts[0:55]:
[DAN 1.0]:   / dan_is_my_new_friend  
[DAN 2.0]:   / dan_20  
[DAN 3.0]:   / dan_30_jan_9th_edition  
[DAN 4.0]:   / dan_40_january_15_2023_midnight  
[DAN 5.0]:   / new_jailbreak_proudly_unveiling_the_tried_and  
[DAN 6.0]:   / presenting_dan_60  
[DAN 9.0]:   / dan_90_the_newest_jailbreak  
3. Reddit link for "Grandma Window's Key" jailbreak persona trick[1:03]:   / thanks_grandma_one_of_the_keys_worked_for_...  
4. PAIR research paper (animated graph and examples referenced)[1:13]: https://arxiv.org/abs/2310.08419
5. Details on training LLM costs[1:31]: https://arxiv.org/abs/2405.21015
6. SmoothLLM research paper[1:41]: https://arxiv.org/abs/2310.03684
7. Llama Guard research paper[2:00]: https://arxiv.org/abs/2312.06674
8. Threat categories on Hugging Face[2:06]: https://huggingface.co/meta-llama/Lla...
9. Hugging Face model page for Llama-Guard-3-8B[2:08]: https://huggingface.co/meta-llama/Lla...


📝Clarifications and Additional Information

1. PAIR Cracking in 20 Tries[1:21]: The "20 tries" mentioned is the best-case scenario based on reported testing.
2. SmoothLLM Methodology[1:46]: SmoothLLM uses random perturbations (insertion, swapping, or patching of characters) on multiple copies of an input prompt. By comparing responses from these variations, it aggregates predictions to identify potential jailbreaks. This approach exploits the fragility of adversarial prompts to small textual changes.
3. Success Rate Reduction[1:57]: The stated reduction (98% to less than 1%) applies specifically to defending Llama2 and Vicuna models.
4. Llama Guard Accuracy[2:09]: The "98.5%" figure refers to the AUPRC score of Llama-Guard-3-8B on meta's internal English test set, but for simplicity in this video, I present it as accuracy. While this is a simplified explanation, it helps convey the model's strong performance to a general audience.
5. Low False Positive Rate (FPR)[2:15]: Llama Guard’s defenses rarely block legitimate requests, emphasizing high precision. (4% on meta's internal English test set)
6. Multimodal AI Systems[2:22]: These systems process and understand multiple types of data, such as text, images, and audio. Example: GPT-4o, Gemini 1.5.
7. Self-Defending Mechanisms[2:34]: Learn more through related papers: https://arxiv.org/abs/2406.05498.
8. Smaller, Smarter Safety Models[2:35]: Referring to models like Llama-Guard-3-1B (https://huggingface.co/meta-llama/Lla....

🎥This video is a labor of love, entirely created by me.

Не удается загрузить Youtube-плеер. Проверьте блокировку Youtube в вашей сети.
Повторяем попытку...
Jailbreaking AI: The Threat, the Methods, and the Defense | AAAI-25 Educational AI Video Winner

Поделиться в:

Доступные форматы для скачивания:

Скачать видео

  • Информация по загрузке:

Скачать аудио

Похожие видео

Как хакеры взламывают Google 2FA

Как хакеры взламывают Google 2FA

Появляется новый тип искусственного интеллекта, и он лучше, чем LLMS?

Появляется новый тип искусственного интеллекта, и он лучше, чем LLMS?

Dark Web РАСКРЫТ (БЕСПЛАТНО + Инструмент с открытым исходным кодом)

Dark Web РАСКРЫТ (БЕСПЛАТНО + Инструмент с открытым исходным кодом)

Сисадмины больше не нужны? Gemini настраивает Linux сервер и устанавливает cтек N8N. ЭТО ЗАКОННО?

Сисадмины больше не нужны? Gemini настраивает Linux сервер и устанавливает cтек N8N. ЭТО ЗАКОННО?

2025 год стал годом, когда ИИ переступил черту… и пути назад нет.

2025 год стал годом, когда ИИ переступил черту… и пути назад нет.

How Does ZMP Control Ensure Robot Stability?

How Does ZMP Control Ensure Robot Stability?

LLM fine-tuning или ОБУЧЕНИЕ малой модели? Мы проверили!

LLM fine-tuning или ОБУЧЕНИЕ малой модели? Мы проверили!

Зачем ставить нейросеть на комп (и как это сделать)

Зачем ставить нейросеть на комп (и как это сделать)

Gemini 3 ОБГОНЯЕТ всех! ПОЛНЫЙ ОБЗОР Nano Banana, Veo 3, Deep Research

Gemini 3 ОБГОНЯЕТ всех! ПОЛНЫЙ ОБЗОР Nano Banana, Veo 3, Deep Research

ChatGPT Jailbreak - Computerphile

ChatGPT Jailbreak - Computerphile

Почему ты ВОЗНЕНАВИДИШЬ iOS-разработку? Или нет 🤔

Почему ты ВОЗНЕНАВИДИШЬ iOS-разработку? Или нет 🤔

Предел развития НЕЙРОСЕТЕЙ

Предел развития НЕЙРОСЕТЕЙ

How Do Hackers Crack EVERYTHING???

How Do Hackers Crack EVERYTHING???

Я использовал ИИ, чтобы взломать этот сайт

Я использовал ИИ, чтобы взломать этот сайт

Чем ОПАСЕН МАХ? Разбор приложения специалистом по кибер безопасности

Чем ОПАСЕН МАХ? Разбор приложения специалистом по кибер безопасности

Почему нейросети постоянно врут? (и почему этого уже не исправить)

Почему нейросети постоянно врут? (и почему этого уже не исправить)

3X-UI в 2026 году: Новые протоколы и возможности VLESS Reality/TLS

3X-UI в 2026 году: Новые протоколы и возможности VLESS Reality/TLS

Как сделать джейлбрейк ChatGPT (GPT4) и использовать его для взлома

Как сделать джейлбрейк ChatGPT (GPT4) и использовать его для взлома

БЕЛЫЕ СПИСКИ: какой VPN-протокол справится? Сравниваю все

БЕЛЫЕ СПИСКИ: какой VPN-протокол справится? Сравниваю все

How ChatGPT Transformed Me into a God-Tier Hacker!

How ChatGPT Transformed Me into a God-Tier Hacker!

© 2025 ycliper. Все права защищены.



  • Контакты
  • О нас
  • Политика конфиденциальности



Контакты для правообладателей: [email protected]