ย้ถนธ฿วๅ

ว๊™์ˆ ยท์—ฐ๊ตฌ

์ปดํ“จํ„ฐยทAIํ•™๋ถ€ ์ด์šฐ์ง„ ๊ต์ˆ˜ ์—ฐ๊ตฌํŒ€, ๊ฑฐ๋Œ€์–ธ์–ด๋ชจ๋ธ(LLM) ์•ˆ์ „์„ฑ ์ทจ์•ฝ์  ๋ถ„์„ ์„ฑ๊ณผ ๋ฐœํ‘œ

๋“ฑ๋ก์ผ 2026.03.25. ์กฐํšŒ 407

์ƒˆ๋กœ์šด ๊ณต๊ฒฉ ํ”„๋ ˆ์ž„์›Œํฌ ‘SlotGCG’ ์ œ์•ˆ… ์˜ค๋Š” 4์›” ICLR 2026์—์„œ ๋ฐœํ‘œ

 

์ด์šฐ์ง„ ๊ต์ˆ˜ ์—ฐ๊ตฌํŒ€

โ–ฒ (์™ผ์ชฝ๋ถ€ํ„ฐ) ์ด์šฐ์ง„ ๊ต์ˆ˜, ์ •์Šน์› ์„์‚ฌ๊ณผ์ •(์ œ1์ ถฤ์ž), ์ •์ง€์šฐ ์„์‚ฌ๊ณผ์ •, ๊น€ํ˜„์ง„ ์„์‚ฌ๊ณผ์ •, ์ด์œค์„ ์„์‚ฌ๊ณผ์ •


๋™๊ตญ๋Œถฤว๊™๊ต ์ปดํ“จํ„ฐ·AIํ•™๋ถ€ ์ด์šฐ์ง„ ๊ต์ˆ˜ ์—ฐ๊ตฌํŒ€์ด ๊ฑฐ๋Œ€์–ธ์–ด๋ชจ๋ธ(LLM)์˜ ์•ˆ์ „์„ฑ ์ทจ์•ฝ์ ์„ ์ •๋ฐ€ํ•˜๊ฒŒ ๋ถ„์„ํ•œ ์—ฐ๊ตฌ ์„ฑ๊ณผ๋ฅผ ๋ฐœํ‘œํ–ˆ๋‹ค.

 

๋™๊ตญ๋Œถฤว๊™๊ต(์ด์žฅ ์œค์žฌ์›…)๋Š” ๋ณธ๊ต ์ปดํ“จํ„ฐ·AIํ•™๊ณผ ์ธ๊ณต์ง€๋Šฅ์ „๊ณต ์ •์Šน์›, ์ •์ง€์šฐ, ๊น€ํ˜„์ง„, ์ด์œค์„ ์„์‚ฌ๊ณผ์ •์ƒ๊ณผ ์ด์šฐ์ง„ ๊ต์ˆ˜๊ฐ€ ์ฐธ์—ฌํ•œ ๋…ผ๋ฌธ ‘SlotGCG: Exploiting the Positional Vulnerability in LLMs for Jailbreak Attacks’๊ฐ€ ์˜ค๋Š” 4์›”์— ๊ฐœ์ตœ๋˜๋Š” ์„ธ๊ณ„์  ๊ถŒ์œ„์˜ ์ธ๊ณต์ง€๋Šฅ ํ•™ํšŒ์ธ ICLR 2026(International Conference on Learning Representations)์— ์ฑ„ํƒ๋˜๊ณ  ๋ฐœํ‘œ๋  ์˜ˆ์ •์ด๋ผ๊ณ  ๋ฐํ˜”๋‹ค.

 

์ด๋ฒˆ ์—ฐ๊ตฌ๋Š” ๊ธฐ์กด LLM ๋ณด์•ˆ ์šฐํšŒ ๊ณต๊ฒฉ์ด ํ”„๋กฌํ”„ํŠธ ๋๋ถ€๋ถ„์—๋งŒ ํ† ํฐ์„ ์ถ”๊ฐ€ํ•˜๋Š” ๋ฐฉ์‹์— ์ง‘์ค‘ํ•ด ์™”๋‹ค๋Š” ํ•œ๊ณ„์—์„œ ์ถœ๋ฐœํ–ˆ๋‹ค. ์—ฐ๊ตฌํŒ€์€ ํ”„๋กฌํ”„ํŠธ ๋‚ด๋ถ€์˜ ํŠน์ • ์œ„์น˜์— ์กด์žฌํ•˜๋Š” ์ทจ์•ฝ ์ง€์ ์„ ํ™•์ธํ•˜๊ณ , ์ด๋ฅผ ์ •๋Ÿ‰ํ™”ํ•œ Vulnerable Slot Score(VSS)์™€ ์ƒˆ๋กœ์šด ๊ณต๊ฒฉ ํ”„๋ ˆ์ž„์›Œํฌ ‘SlotGCG’๋ฅผ ์ œ์•ˆํ–ˆ๋‹ค.

 

์‹คํ—˜ ๊ฒฐ๊ณผ, ‘SlotGCG’๋Š” AdvBench ๋ฐ์ดํ„ฐ์…‹๊ณผ Llama, Mistral, Vicuna, Qwen ๋“ฑ ๋‹ค์–‘ํ•œ ๊ณต๊ฐœ LLM์—์„œ ๊ธฐ์กด ๋ฐฉ์‹๋ณด๋‹ค ํ‰๊ท  ์•ฝ 14% ๋†’์€ ์„ฑ๋Šฅ์„ ๋ณด์˜€๊ณ , ์ตœ๋Œ€ 10๋ฐฐ ๋น ๋ฅธ ์†๋„๋ฅผ ๊ธฐ๋กํ–ˆ๋‹ค. ๋˜ ๋ฐฉ์–ด ๊ธฐ๋ฒ•์ด ์ ์šฉ๋œ ํ™˜๊ฒฝ์—์„œ๋„ ๊ธฐ์กด๋ณด๋‹ค 29% ๋†’์€ ๊ณต๊ฒฉ ์„ฑ๊ณต๋ฅ ์„ ๋ณด์—ฌ, ํ˜„์žฌ LLM ๋ฐฉ์–ด ์ฒด๊ณ„์˜ ํ•œ๊ณ„๋ฅผ ์ฆ๋ช…ํ–ˆ๋‹ค.

 

์—ฐ๊ตฌํŒ€์€ “์ด๋ฒˆ ์—ฐ๊ตฌ๋Š” ๋”์šฑ ๊ฒฌ๊ณ ํ•œ LLM ๋ฐฉ์–ด ๊ธฐ๋ฒ•์„ ์„ค๊ณ„ํ•˜๊ธฐ ์œ„ํ•œ AI ์•ˆ์ „์„ฑ ๊ฒ€์ฆ ๋ฐ ๋ ˆ๋“œํŒ€ ์—ฐ๊ตฌ๋ผ๋Š” ์ ์—์„œ ์˜๋ฏธ๊ฐ€ ํฌ๋‹ค”๋ฉฐ “๋‹จ์ˆœํ•œ ๊ณต๊ฒฉ ๊ธฐ๋ฒ• ์ œ์•ˆ์— ๊ทธ์น˜์ง€ ์•Š๊ณ , ๊ฑฐ๋Œ€์–ธ์–ด๋ชจ๋ธ์ด ์–ด๋–ค ์œ„์น˜ ์ •๋ณด์— ์ทจ์•ฝํ•œ์ง€ ์ฒด๊ณ„์ ์œผ๋กœ ์ดํ•ดํ•˜๊ณ  ์ ์šฉํ•  ์ˆ˜ ์žˆ๋Š” ์—ฐ๊ตฌ”๋ผ๊ณ  ์„ค๋ช…ํ–ˆ๋‹ค. ํŠนํžˆ, ์ด๋ฒˆ ์—ฐ๊ตฌ๊ฐ€ ํ”„๋กฌํ”„ํŠธ ๋‚ด ์œ„์น˜๋ณ„ ์ทจ์•ฝ์„ฑ์„ ๊ณ„๋Ÿ‰์ ์œผ๋กœ ๋ถ„์„ํ–ˆ๋‹ค๋Š” ์ ์—์„œ, ํ–ฅํ›„ ๋Œ€๊ทœ๋ชจ ์–ธ์–ด๋ชจ๋ธ์˜ ์•ˆ์ „์„ฑ ํ‰๊ฐ€, ์ •๋ ฌ(alignment) ๊ธฐ์ˆ  ๊ณ ๋„ํ™”, ๋ฐฉ์–ด ํ”„๋ ˆ์ž„์›Œํฌ ์„ค๊ณ„์— ํญ๋„“๊ฒŒ ํ™œ์šฉ๋  ๊ฒƒ์œผ๋กœ ๊ธฐ๋Œ€๋œ๋‹ค.
  

ํ•œํŽธ, ์—ฐ๊ตฌํŒ€์€ ์•ž์œผ๋กœ ๋‹ค์–‘ํ•œ ๋ชจ๋ธ๊ณผ ์‹ค์ œ ์„œ๋น„์Šค ํ™˜๊ฒฝ์—์„œ์˜ ์ธ๊ณต์ง€๋Šฅ ์ทจ์•ฝ์„ฑ ํŒŒ์•…๊ณผ ์•ˆ์ „ํ•œ ์ธ๊ณต์ง€๋Šฅ ๊ฐœ๋ฐœ์„ ๋ชฉํ‘œ๋กœ ์—ฐ๊ตฌ๋ฅผ ์ด์–ด๊ฐˆ ๊ณ„ํš์ด๋‹ค.