--- title: "Jailbreaks (LLM) (TH)" source: "https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)" wiki: "systems-analysis.info/int" article: "Jailbreaks_(LLM)_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Thai" revision_id: 3303 wiki_created_at: 2026-09-06T23:18:41Z wiki_modified_at: 2026-09-06T23:18:41Z downloaded_at: 2026-09-07T22:56:14Z --- # Jailbreaks (LLM) (TH) **เจลเบรก** (อังกฤษ: **Jailbreak** — แปลตรงตัวว่า \\การหลบหนีจากคุก\\) ในบริบทของโมเดลภาษาขนาดใหญ่ (LLM) คือประเภทของการโจมตีแบบปฏิปักษ์ที่มีเป้าหมายเพื่อเลี่ยงกลไกความปลอดภัยและข้อจำกัดที่ฝังอยู่ภายในโมเดล เพื่อให้ได้รับคำตอบที่ต้องห้ามหรืออาจเป็นอันตราย^{[\[1\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-lillog_intro-1)} Jailbreak หมายถึง \\การชักนำโมเดลให้สร้างคำตอบที่เป็นอันตรายซึ่งขัดต่อนโยบายการใช้งานและบรรทัดฐานทางสังคม ผ่านการพัฒนา prompt แบบปฏิปักษ์\\^{[\[2\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-yi_2024_survey-2)} ช่องโหว่พื้นฐานที่ถูกใช้ประโยชน์ในการโจมตีแบบ jailbreak อยู่ที่ลักษณะเฉพาะทางสถาปัตยกรรมของ LLM: โมเดลไม่สามารถแยกแยะระหว่างคำสั่งและข้อมูลตามประเภทได้ เนื่องจากทั้ง system prompt และข้อมูลนำเข้าจากผู้ใช้มีรูปแบบเดียวกัน นั่นคือสตริงข้อความในภาษาธรรมชาติ^{[\[3\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-prompting_guide_vuln-3)} ## ประวัติความเป็นมาและพัฒนาการ ### ช่วงเริ่มต้น: Prompt Injection (2022) การค้นพบช่องโหว่ต่อ prompt injection ที่มีการบันทึกเป็นครั้งแรกเกิดขึ้นในเดือนพฤษภาคม 2022 เมื่อนักวิจัยจากบริษัท **Preamble** ค้นพบความเปราะบางของ ChatGPT ต่อการโจมตีดังกล่าว ในเดือนกันยายน 2022 **Riley Goodside** ได้เผยแพร่การสาธิตสาธารณะครั้งแรกของช่องโหว่ใน GPT-3 บน Twitter โดยอิสระ พร้อมตัวอย่างที่เป็นที่รู้จักซึ่งสั่งให้โมเดลเพิกเฉยต่อคำสั่งก่อนหน้า^{[\[4\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-ncc_group_history-4)} ### ยุค DAN (2022–2023) ในช่วงกลางปี 2022 ปรากฏ prompt แรกในรูปแบบ **"Do Anything Now"** (**DAN**) ซึ่งเป็นคำสั่งสำหรับการแสดงบทบาทสมมติ นวัตกรรมสำคัญคือการใช้การเล่นตามบทบาทเพื่อเลี่ยงข้อจำกัดด้านความปลอดภัยโดยการสร้าง \\บุคลิกทางเลือก\\ ที่ปราศจากกฎเกณฑ์^{[\[5\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-dan_evolution_arxiv-5)} วิวัฒนาการของ DAN นำไปสู่การปรากฏของสถานการณ์ที่ซับซ้อนพร้อมระบบ token (กลไกการลงโทษ/รางวัล) และกลไกการรักษาบุคลิกตัวละคร^{[\[6\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-dan_github-6)} ### การกระจายตัวของวิธีการ (2023–2024) ตั้งแต่ปี 2023 เริ่มมีการวิจัยเชิงวิชาการอย่างครอบคลุมเกี่ยวกับการโจมตีแบบ jailbreak ในปี 2024 ปรากฏ **การโจมตีแบบมัลติโมดัล** ซึ่งรวมถึงการซ่อนคำสั่งที่เป็นอันตรายในรูปภาพ ไฟล์เสียง รวมถึง visual prompt injection ผ่าน ASCII-art^{[\[7\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-hiddenlayer_multimodal-7)} ### ช่วงปัจจุบัน (2024–2025) เทคนิคการโจมตียังคงมีความซับซ้อนเพิ่มขึ้นเรื่อยๆ ในเดือนพฤศจิกายน 2024 มีการค้นพบเทคนิค **"Time Bandit"** ที่ใช้ประโยชน์จากความสับสนด้านเวลาใน ChatGPT-4o โดยการตั้งคำถามราวกับว่ามาจากช่วงเวลาทางประวัติศาสตร์ (ช่วงปี ค.ศ. 1800–1900)^{[\[8\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-bleeping_computer_time_bandit-8)} ## วิธีการทางเทคนิคและการจำแนกประเภท การโจมตีสามารถจำแนกตามระดับการเข้าถึงโมเดล: - **การโจมตีแบบกล่องดำ**: โดยไม่มีการเข้าถึงส่วนประกอบภายในของโมเดล (พารามิเตอร์, ค่า gradient) - **การโจมตีแบบกล่องขาว**: ด้วยการเข้าถึงพารามิเตอร์และค่า gradient ของโมเดลอย่างเต็มรูปแบบ^{[\[2\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-yi_2024_survey-2)} ### อนุกรมวิธาน JailbreakRadar การจำแนกประเภทแบบ *JailbreakRadar* (Chu et al., 2024) แบ่งหมวดหมู่การโจมตีหลักออกเป็นหกประเภท: 1. **การโจมตีโดยตรง:** Prompt ที่เป็นอันตรายโดยตรง 2. **การโจมตีทางอ้อม:** กลยุทธ์การจัดการแบบหลายขั้นตอน 3. **การโจมตีเชิงบริบท:** การใช้ประวัติการสนทนา 4. **การโจมตีเชิงบทบาท:** เทคนิคการแสดงเป็นตัวละคร (เช่น DAN) 5. **การโจมตีเชิงการเข้ารหัส:** วิธีการ obfuscation เพื่อซ่อนคำสั่งที่เป็นอันตราย 6. **การโจมตีเชิงแม่แบบ:** กรอบการทำงานแบบปฏิปักษ์ที่มีโครงสร้าง^{[\[9\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-chu_2024_radar-9)} ### กลไกทางเทคนิค - **การสร้าง suffix แบบปฏิปักษ์ (GCG):** วิธีการที่เสนอโดย Zou et al. (2023) ซึ่งสร้าง suffix แบบปฏิปักษ์ (ลำดับของ token) โดยอัตโนมัติ ซึ่งเมื่อเพิ่มเข้าไปใน prompt จะกระตุ้นให้เกิดคำตอบที่เป็นอันตรายด้วยความน่าจะเป็นสูง วิธีการนี้ใช้การปรับแต่งแบบ gradient และแสดงให้เห็นถึงอัตราความสำเร็จสูง (สูงถึง 84% บน GPT-4) และความสามารถในการถ่ายโอนระหว่างโมเดล^{[\[10\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-zou_2023_gcg-10)} - **การเจลเบรกแบบหลายรอบ:** การวิจัยของ Anthropic (2024) แสดงให้เห็นว่าประสิทธิภาพของการโจมตีเป็นไปตามกฎกำลัง: เมื่อจำนวนตัวอย่างที่เป็นอันตรายใน prompt เพิ่มขึ้น สัดส่วนของคำตอบที่ไม่พึงประสงค์ก็เพิ่มขึ้นตาม^{[\[11\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-anthropic_many_shot-11)} ## กลไกการป้องกัน - **ตัวจำแนกประเภทแบบรัฐธรรมนูญ (Anthropic):** การกรองข้อมูลนำเข้า/ส่งออกโดยอิงหลักการรัฐธรรมนูญ วิธีการนี้ช่วยลดอัตราความสำเร็จของ jailbreak จาก 86% เหลือ 4.4% ในการประเมินที่ควบคุม^{[\[12\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-mit_tech_review_const_ai-12)} - **Reinforcement Learning from Human Feedback (RLHF):** การฝึกสามขั้นตอน (OpenAI) ซึ่งรวมถึงการปรับแต่งแบบมีผู้ดูแล การฝึกโมเดลรางวัล และการปรับแต่งนโยบาย แสดงให้เห็นถึงการลดลงอย่างมีนัยสำคัญในการสร้างเนื้อหาที่เป็นพิษ - **การฝึกแบบปฏิปักษ์:** การฝึกโมเดลบนตัวอย่างของการโจมตีแบบ jailbreak เพื่อเพิ่มความทนทาน ประสิทธิภาพของแนวทางนี้ในการลดอัตราความสำเร็จของการโจมตีประเมินไว้ที่ 60–80%^{[\[1\]](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_note-lillog_intro-1)} - **การป้องกันแบบหลายชั้น:** กลยุทธ์ที่แนะนำซึ่งรวมถึงการตรวจสอบความถูกต้องของข้อมูลนำเข้า การป้องกันในระดับโมเดล การตรวจสอบข้อมูลส่งออก และการติดตามอย่างต่อเนื่องในเวลาจริง การโจมตีแบบ jailbreak ต่อโมเดลภาษาขนาดใหญ่เป็นปัญหาความปลอดภัยของ AI เชิงพื้นฐาน ที่แสดงให้เห็นถึงความตึงเครียดอย่างต่อเนื่องระหว่างความสามารถและการปรับแนวทางของโมเดล ภูมิทัศน์ของการโจมตียิ่งซับซ้อนขึ้นเรื่อยๆ เปลี่ยนจาก prompt injection ง่ายๆ ไปสู่การโจมตีแบบมัลติโมดัลและแบบอัตโนมัติที่ซับซ้อน การวิจัยแสดงให้เห็นว่าไม่มีกลไกการป้องกันใดในปัจจุบันที่ทนทานต่อความพยายาม jailbreak ทุกรูปแบบอย่างสมบูรณ์ ความสำเร็จในด้านนี้ต้องอาศัยการลงทุนอย่างต่อเนื่องในการวิจัยด้านความปลอดภัย แนวปฏิบัติการเปิดเผยข้อมูลอย่างรับผิดชอบ และความพยายามร่วมกันของนักวิจัย ภาคอุตสาหกรรม และหน่วยงานกำกับดูแล ## อ้างอิง - Prompting Guide: Jailbreaking - คลังข้อมูลการนำการโจมตี GCG ไปใช้งานบน GitHub ## บรรณานุกรม - Bai, Y. et al. (2022). *Constitutional AI: Harmlessness from AI Feedback*. arXiv:2212.08073. - Zou, A. et al. (2023). *Universal and Transferable Adversarial Attacks on Aligned Language Models*. arXiv:2307.15043. - Shen, X. et al. (2023). *"Do Anything Now": Characterizing and Evaluating In-The-Wild Jailbreak Prompts on Large Language Models*. arXiv:2308.03825. - Chao, P. et al. (2024). *JailbreakBench: An Open Robustness Benchmark for Jailbreaking Large Language Models*. arXiv:2404.01318. - Liao, Z.; Sun, H. (2024). *AmpleGCG: Learning a Universal and Transferable Generative Model of Adversarial Suffixes for Jailbreaking Both Open and Closed LLMs*. OpenReview UfqzXg95I5. - Yi, S. et al. (2024). *Jailbreak Attacks and Defenses Against Large Language Models: A Survey*. arXiv:2407.04295. - Chu, J. et al. (2025). *JailbreakRadar: Comprehensive Assessment of Jailbreak Attacks Against LLMs*. arXiv:2402.05668. - Liu, A. et al. (2025). *PiCo: Jailbreaking Multimodal Large Language Models via Pictorial Code Contextualization*. arXiv:2504.01444. - Ghosal, D. et al. (2025). *Immune: Improving Safety Against Jailbreaks in Multi-modal LLMs via Inference-Time Filtering*. *CVPR 2025*. PDF. - Yan, Q. et al. (2025). *Hidden in Plain Sight: Probing Implicit Reasoning in Multimodal Language Models*. arXiv:2506.00258. - Liu, Y. et al. (2025). *RePD: Defending Jailbreak Attack through a Retrieval-Based Detector*. *Findings of NAACL 2025*. ACL Anthology. ## หมายเหตุ 1. ↑ ^{[1.0](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-lillog_intro_1-0)} ^{[1.1](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-lillog_intro_1-1)} «A brief history of jailbreaking». *Lil'Log*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-yi_2024_survey_2-0)} ^{[2.1](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-yi_2024_survey_2-1)} Yi, J., et al. «Jailbreak Attacks and Defenses Against Large Language Models: A Comprehensive Survey». *arXiv:2405.09443*. [2] 3. [↑](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-prompting_guide_vuln_3-0) «Jailbreaking LLMs». *Prompting Guide*. [3] 4. [↑](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-ncc_group_history_4-0) «Exploring prompt injection attacks». *NCC Group*. [4] 5. [↑](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-dan_evolution_arxiv_5-0) «Do Anything Now: Characterizing and Evaluating In-The-Wild Jailbreak Prompts on Large Language Models». *arXiv:2308.03825*. [5] 6. [↑](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-dan_github_6-0) «0xk1h0/ChatGPT_DAN». *GitHub*. [6] 7. [↑](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-hiddenlayer_multimodal_7-0) «Hiding in Plain Sight: Multimodal Jailbreaking of Large Language Models». *HiddenLayer*. [7] 8. [↑](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-bleeping_computer_time_bandit_8-0) «ChatGPT "Time-travel" jailbreak lets you bypass its safety guards». *BleepingComputer*. [8] 9. [↑](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-chu_2024_radar_9-0) Chu, Z., et al. «JailbreakRadar: A Comprehensive Benchmark for Jailbreak Attack and Defense». *arXiv:2402.12642*. [9] 10. [↑](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-zou_2023_gcg_10-0) Zou, A., et al. «Universal and Transferable Adversarial Attacks on Aligned Language Models». *arXiv:2307.15043*. [10] 11. [↑](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-anthropic_many_shot_11-0) «Many-shot Jailbreaking». *Anthropic*. [11] 12. [↑](https://systems-analysis.info/int/Jailbreaks_(LLM)_(TH)#cite_ref-mit_tech_review_const_ai_12-0) «How we're using 'constitutional AI' to make our models safer». *MIT Technology Review*. [12]