Programa de Recompensas por Vulnerabilidades de Segurança do Modelo

Acreditamos que testes externos são cruciais para construir um ecossistema de IA seguro. À medida que as capacidades dos modelos avançam, as consequências de jailbreaks podem se tornar cada vez mais significativas. Este Programa contínuo se baseia em nossas iniciativas anteriores bem-sucedidas de recompensas por vulnerabilidades com vários objetivos principais:

Nosso Programa de Recompensas por Vulnerabilidades de Segurança do Modelo é executado através da HackerOne. Por meio deste Programa, estamos interessados em encontrar jailbreaks universais que ultrapassem nosso sistema de Classificadores Constitucionais. Também executamos ocasionalmente programas direcionados dentro de nosso Programa geral para testar a robustez de classificadores que esperamos lançar no futuro.

Um jailbreak universal é uma técnica generalizada que elicia de forma confiável respostas que violam políticas de um modelo de linguagem, independentemente do prompt de entrada. Ao contrário de jailbreaks estreitos, que dependem das especificidades de uma pergunta ou contexto particular, jailbreaks universais funcionam em uma ampla gama de prompts e cenários.

Este é um Programa contínuo. Uma vez aceito no Programa na HackerOne, os participantes podem enviar relatórios de jailbreak a qualquer momento através deste Programa. Para ajudar seus esforços de teste adversarial, fornecemos acesso a um alias de modelo gratuito que reflete o modelo e os classificadores ativos em nosso modelo mais recente e avançado. Seu uso deste alias de modelo gratuito deve ser limitado à realização de atividades de teste adversarial autorizadas.

Este Programa está principalmente interessado em descobrir jailbreaks que sejam universais, no sentido de que podem revelar informações prejudiciais em uma ampla gama de consultas, e detalhados, no sentido de que revelam informações prejudiciais altamente específicas relacionadas a ameaças biológicas.

Para enfatizar, estamos interessados em jailbreaks que extraem informações que respondem a um conjunto de perguntas biológicas prejudiciais que compartilhamos com participantes aceitos no Programa.

Pagaremos até $35.000 por cada jailbreak universal novo identificado. Estamos interessados apenas em jailbreaks que revelem quantidades substanciais de informações prejudiciais com base em nossos critérios e discrição exclusivos. Concedemos recompensas usando uma escala móvel baseada em uma rubrica de classificação interna que determina o quão detalhadas e precisas são as respostas.

Este programa está limitado a jailbreaks em nossos Classificadores Constitucionais. Para vulnerabilidades técnicas que potencialmente existem em nossos Sistemas de Informação, como configurações incorretas, CSRFs ou falsificações de solicitação entre sites, ataques de escalação de privilégios, Injeção SQL, XSS e ataques de travessia de diretório, consulte nossa Política de Divulgação Responsável e envie seu relatório aqui.

Você pode se candidatar para participar de nosso Programa aqui. Analisamos as candidaturas continuamente. Se aceito, você receberá um convite via HackerOne. Se você ainda não tem uma conta HackerOne, crie uma antes de se candidatar ao Programa para que possamos convidá-lo diretamente na plataforma. Você deve usar seu alias de email @wearehackerone.com para criar uma conta Claude Console.

Todos os participantes do Programa são obrigados a assinar um acordo de não divulgação para proteger a confidencialidade do Programa como condição para participar. Você pode divulgar publicamente:

Você não pode divulgar sem permissão expressa:

O Participante concorda que todos os dados enviados à Anthropic, incluindo seus produtos e serviços, em conexão com este Programa podem ser usados, armazenados, compartilhados e/ou publicados pela Anthropic indefinidamente para fins de pesquisa de segurança, desenvolvimento de modelos e fins relacionados, sem obrigação adicional ao Participante.