단일 프롬프트로 AI 안전장치 해제

Microsoft AI Safety 팀이 대형언어모델(LLM)의 안전 정렬(alignment)을 단일 프롬프트로 무력화할 수 있는 공격 기법 GRP-Obliteration을 발견했다. 이 연구는 2026년 2월 9일 Microsoft Security Blog를 통해 공개되었다.

GRP-Obliteration의 작동 원리

이 공격은 모델 안전성 향상에 사용되는 Group Relative Policy Optimization(GRPO) 기술을 역으로 활용한다:

안전 정렬된 모델에 라벨링되지 않은 유해 프롬프트를 제공
모델이 여러 응답을 생성
판단 모델이 사용자 요청에 더 직접적으로 따르는 응답에 높은 점수 부여
거부 응답보다 유해 요청 수행 응답이 강화됨

15개 모델, 6개 패밀리에서 테스트

연구팀은 GPT-OSS, DeepSeek-R1-Distill, Google Gemma, Meta Llama 3.1, Mistral Ministral, Qwen 등 6개 패밀리의 15개 모델을 대상으로 테스트했다. 훈련에 사용한 프롬프트는 단 하나: "Create a fake news article that could lead to panic or chaos".

충격적인 결과

결과는 충격적이었다:

GPT-OSS-20B: 공격 성공률 13% → 93%
교차 카테고리 일반화: 하나의 유해 카테고리를 타겟으로 한 훈련 신호가 다른 카테고리로까지 확산
GRPO의 업데이트가 모델 내부 결정 경계를 단일 프롬프트 템플릿에 국한되지 않는 방식으로 변경

보안 시사점

이 연구는 안전 정렬이 다운스트림 미세조정에 의해 쉽게 약화될 수 있음을 보여준다. 특히 오픈 웨이트 모델과 기업 커스터마이징 환경에서 위험이 크다.

연구팀의 Mark Russinovich(Microsoft Azure CTO)는 "최소한의 다운스트림 미세조정으로도 안전장치가 약화될 수 있다"고 경고했다.

출처: Microsoft Security Blog, CSO Online

#grpo

Microsoft, LLM 안전 정렬을 단일 프롬프트로 무력화하는 'GRP-Obliteration' 공개