Tỷ lệ tấn công thành công là tỷ lệ phần trăm các lần thử trong đó đầu vào thù địch, chẳng hạn như lời nhắc bẻ khóa, bỏ qua các biện pháp an toàn của AI được tạo và gây ra đầu ra có hại ngoài ý muốn.
Tỷ lệ tấn công thành công (ASR) là một chỉ báo được sử dụng trong các đánh giá khả năng chống bẻ khóa và nhóm đỏ để chỉ ra tỷ lệ phần trăm trong tổng số các nỗ lực prompt đối phương đã chuẩn bị nhằm bỏ qua các biện pháp an toàn của mô hình và tạo ra các kết quả đầu ra bị cấm (tạo ra thông tin có hại, rò rỉ lời nhắc hệ thống, gây leo thang đặc quyền, v.v.). Điểm chuẩn theo tiêu chuẩn ngành tính toán tỷ lệ thành công dựa trên một tập hợp các kiểu tấn công đã biết và được sử dụng để so sánh độ bền tương đối của các mô hình và lan can. Trong hoạt động thực tế kể từ năm 2026, một cạm bẫy đã được chỉ ra là ASR của điểm chuẩn công khai và ASR trong môi trường hoạt động thực tế có xu hướng khác nhau. Khi các phương thức tấn công được cập nhật hàng ngày, ngay cả những mô hình có điểm chuẩn ASR thấp cũng có thể dễ bị tổn thương trước các kiểu tấn công prompt mới và các cuộc tấn công đàm thoại nhiều bước. Trong thực tế, phương pháp này được áp dụng rộng rãi để theo dõi ASR theo thời gian bằng cách sử dụng nhóm đỏ liên tục thay vì đo lường một lần và người ta cho rằng việc lựa chọn gia công cho nhà cung cấp bên ngoài hoặc sản xuất nội bộ phải được thực hiện dựa trên độ nhạy của dữ liệu đang được xử lý và chi phí trung bình.