PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.02121v1cs.CR

Behind the Refusal: Determining Guardrail Activation via Behavioral Monitoring

HTTP, 어휘(lexical), 응답 시간 신호를 행동 모니터링하는 최초의 블랙박스 가드레일 탐지 방법론을 제안하며, 가드레일 존재 여부를 100% 정확도로 탐지하고 가드레일 차단과 대규모 언어 모델(LLM) 자체 거절을 평균 F1 98%로 구별한다. 이 접근법은 대상 시스템에 대한 사전 지식 없이도 가드레일이 차단하는 콘텐츠 범주를 식별하여, 현실적인 적대적 에뮬레이션 연구에서 공격 전략 선택의 정밀도를 높인다.