Quiz sur le jailbreak et le red-teaming

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quel est l’objectif principal d’une invite de jailbreak ?
   • Pour que le modèle contourne ses règles de sécurité intégrées
   • Pour accélérer le temps de réponse du modèle
   • Pour traduire un texte dans une autre langue
   • Pour réduire le coût de fonctionnement du modèle
2. How does NIST define red teaming in the AI context?
   • Training a model to imitate a specific person
   • Structured adversarial testing to find flaws, vulnerabilities or unexpected system behaviors
   • A way to increase context length
   • A method for compressing neural-network weights
3. Pourquoi les jailbreaks à plusieurs coups fonctionnent-ils mieux à mesure que les fenêtres contextuelles s'allongent ?
   • Les invites plus longues sont moins chères à traiter
   • Un contexte plus long désactive automatiquement le classificateur de sécurité
   • Le modèle peut être inondé de nombreux faux exemples conformes qui modifient son comportement.
   • Le modèle oublie ses instructions originales après 100 mots
4. What does a Constitutional Classifier defense add in the cited study?
   • A larger context window only
   • A database of human names
   • An automatic guarantee that all harmful outputs are impossible
   • Classifiers trained on synthetic examples from natural-language rules to screen harmful inputs or outputs
5. What did the Many-shot Jailbreaking study demonstrate about safeguards?
   • In its tested settings, long-context demonstrations could elicit behavior that safety training aimed to prevent
   • Every model always complies with every harmful request
   • Safety classifiers eliminate every possible attack
   • The study only measured speech recognition accuracy
6. What does the RedAgent paper automate in its red-team method?
   • The training of a new foundation model from scratch
   • Generation of context-aware jailbreak prompts using an autonomous language-agent system
   • The legal review of every generated answer
   • The deletion of all model safety policies
7. What relationship did the Many-shot Jailbreaking study report between demonstration count and attack effectiveness?
   • It dropped to zero after one example
   • It was identical for every context size
   • Effectiveness followed a power law up to hundreds of demonstrations in tested settings
   • It depended only on image resolution
8. What should a red-team report include to make findings interpretable?
   • Only one successful prompt without context
   • A claim that all models fail identically
   • The model’s hidden training data
   • The tested model and version, prompt conditions, evaluation scope and limitations