【论文速读】| 基于大语言模型智能体对文本到图像模型进行越狱

本次分享论文：Jailbreaking Text-to-Image Models with LLM-Based Agents

基本信息

原文作者: Yingkai Dong, Zheng Li, Xiangtao Meng, Ning Yu, Shanqing Guo

作者单位: 山东大学, CISPA Helmholtz Center for Information Security, Netflix Eyeline Studios

关键词: Atlas框架, 文本到图像生成模型, LLM, 多代理系统, 安全过滤器

原文链接: https://arxiv.org/pdf/2408.00523

开源代码: 暂无

论文要点

论文简介：本论文提出名为 Atlas 的创新框架，以探索和揭示先进文本到图像（T2I）生成模型的安全漏洞。随着生成式 AI 技术发展，T2I 模型因易用性和高质量图像生成能力受欢迎，但存在生成敏感或不适宜内容风险，现有安全措施主要依赖安全过滤器，有效性受到了挑战。

本文引入基于大语言模型（LLM）的多代理系统，设计能绕过 T2I 模型安全过滤器的全自动“越狱”攻击框架 Atlas，整合模糊测试流程、代理协作、链式思维等技术，成功攻破多种 T2I 模型安全防线，实验结果显示 Atlas 能有效绕过安全过滤器，保持图像语义完整性和查询效率，为生成式 AI 安全研究提供新视角和方法。

研究目的：揭示和应对生成式 AI 模型特别是 T2I 生成模型的安全性挑战。随着模型普及，潜在安全风险受关注，可能生成敏感或不适宜内容，现有安全过滤器面对复杂生成请求可能无效。基于此，研究者提出了Atlas 框架，基于 LLM 的多代理系统，通过自动化“越狱”攻击测试 T2I 模型安全防御能力，揭示现有安全措施不足，为未来安全过滤器设计提供指导，奠定生成式 AI 技术安全应用基础。

研究贡献：、

1.验证 LLM 在生成式 AI 安全研究中的潜力，特别是在识别和利用 T2I 生成模型安全漏洞方面。引入 Atlas 框架，设计创新多代理系统，整合模糊测试技术、链式思维和场景内学习等方法，在黑盒环境中有效绕过多种安全过滤器。

2.通过广泛实验评估 Atlas 性能，证明其在绕过率、查询效率和生成图像语义一致性方面的优势，与现有越狱攻击方法相比，展现更高灵活性和适应性，提供新方法论。

3.通过消融研究分析 Atlas 框架关键组件作用和贡献，为未来研究提供参考。

引言

随着 LLM 在多个领域突破，基于 LLM 的自主代理系统迅速发展，展现执行复杂任务能力。但生成式 AI 模型尤其是 T2I 生成模型在广泛应用中暴露出安全风险，可能被滥用来生成不适宜内容，现有安全过滤器有效性不足。本文提出 Atlas 多代理框架，整合 LLM 推理能力与模糊测试技术，探索和突破 T2I 模型安全防线，在保持图像语义完整性同时提高查询效率，为未来生成式 AI 安全研究提供思路。

准备工作

理解关键技术背景，自主代理系统是集成智能系统作为核心控制器的高级系统，能通过任务分解、自我反思和动态记忆改进自身行为并适应挑战，可处理自然语言并与外部工具和 API 接口交互。T2I 生成模型如 Stable Diffusion 和 DALL·E 用自然语言描述生成图像，受欢迎但存在生成不适宜内容风险，通常部署安全过滤器，本文引入基于 LLM 的多代理系统旨在测试和绕过安全过滤器，为生成式 AI 模型安全性提供新视角。

问题阐述

T2I 生成模型存在生成不适宜内容风险，虽有安全过滤器但并非万无一失，攻击者可通过提示工程绕过，本文目标是揭示安全过滤器脆弱性，提出 Atlas 多代理系统框架，基于 LLM 与视觉语言模型协作，自动生成对抗性提示绕过安全过滤器，验证多代理系统在识别和利用安全漏洞方面的能力，填补生成式 AI 安全领域空白，为未来防御措施提供理论基础。

Atlas 框架

Atlas 是基于多代理系统的创新解决方案，突破 T2I 生成模型安全过滤器。整合多种技术和策略，通过变异代理、批判代理和指挥代理协同工作。变异代理利用视觉语言模型调整输入提示生成对抗性提示，批判代理评估提示有效性和生成图像语义一致性，指挥代理控制工作流程确保协作顺畅。采用模糊测试方法，引入链式思维和场景内学习机制增强 LLM 推理能力和任务执行效果，在多个 T2I 模型上实现接近 100%的安全过滤器绕过率，展示巨大潜力。

实验设置

在多个先进 T2I 生成模型上进行广泛实验，包括 Stable Diffusion、DALL·E 等，配备不同类型安全过滤器。使用两组数据集测试过滤器绕过效果，Atlas 框架通过优化对抗性提示评估绕过性能，与现有“越狱”方法对比，测量绕过率、查询次数和生成图像语义一致性，结果表明 Atlas 在查询效率和图像质量保持上表现出色，提供有力实验证据。

研究评估

系统分析 Atlas 框架绕过安全过滤器表现。实验结果显示 Atlas 在几乎所有模型和过滤器组合中绕过成功率高达 100%，查询次数优于现有方法，在生成图像语义一致性上表现优异，与其他“越狱”方法对比展示全面优势，进行消融研究验证关键组件贡献，树立新标杆，展示多代理系统在攻防研究中的潜力。

研究讨论

探讨 Atlas 框架优势和局限性。虽在绕过安全过滤器方面表现出色，但存在挑战，依赖 LLM 和 VLM 推理能力受训练数据和模型架构限制，实际应用场景表现需进一步验证，对模型选择和参数调优敏感。未来研究可提升通用性和适应性，探索更多防御机制应对安全威胁。

论文结论

本文提出 Atlas，基于 LLM 的多代理系统突破 T2I 生成模型安全过滤器。实验验证 Atlas 表现出色，展示查询优化能力和语义一致性，与现有方法对比证明全面优势。未来研究需探索在更复杂安全机制中的适应性，增强生成式 AI 模型安全性和稳健性。Atlas 为生成式 AI 安全研究提供新工具和思路，开创多代理系统应用新篇章。

原作者：论文解读智能体
校对：小椰风