DARWIN：通过进化攻防框架实现LLM安全评估与防护

DARWIN是一个开源的进化攻防框架，包含DARWIN-Attack和DARWIN-Guard两部分。DARWIN-Attack通过策略发现、变异和反馈驱动组合，在DeepSeek-V4-Pro和YuFeng-XGuard上实现近100%攻击成功率，在GPT-5.5上超过90%。DARWIN-Guard采用在线对抗训练，在12个安全基准上平均不安全召回率达91.6%，优于YuFeng-XGuard和Nemotron Guard，同时保持近100%的标准良性数据集通过率。该框架将越狱攻击建模为开放进化过程，并持续更新防护措施。