DARWIN：用进化算法死磕大模型安全

静态的攻击数据集在进化速度极快的 LLM 面前几乎没什么意义。很多所谓的安全评测其实是在用“昨天的答案”去考“今天的模型”，而 DARWIN 这个框架最核心的逻辑就是把越狱（Jailbreak）看作一个开放式的进化过程，让攻击者和防御者在一个闭环里互相卷。

DARWIN-Attack 的运作方式很像生物进化：它不是靠堆提示词库，而是通过策略发现、变异、筛选和反馈驱动的组合来扩充攻击手段。它能从外部来源抓取策略，然后通过自我反思和遗传算法生成变体，只要能绕过对齐模型，这个策略就被保留下来。这种动态调整的能力很恐怖，在 DeepSeek-V4-Pro 和 YuFeng-XGuard 上几乎达到了 100% 的成功率，GPT-5.5 也被破了 90% 以上。

而对应的 DARWIN-Guard 则走的是在线对抗训练路线。为了防止模型在追求安全时变得“死板”（即过度防御导致可用性下降），它采用了个挺有意思的策略：

• 混合训练： 将恶意样本与伪装成恶意形式的良性查询放在一起训练。
• 意图识别： 强迫模型去分析底层的真实意图，而不是简单地识别某些敏感词或特定的攻击模式。

这种做法在 12 个安全基准测试中达到了 91.6% 的不安全召回率，且基本没影响正常对话的通过率。

说白了，这种“左右互搏”的框架证明了 LLM 安全没有终点，只有动态平衡。如果攻击端能像生物一样进化，防御端如果还停留在静态数据集的打补丁阶段，迟早会被绕过去。