导致误导：对抗性内容注入攻击神经排名模型

神经排序模型（NRM）是现代信息检索的核心，但仍然非常容易受到对抗性操纵。现有的攻击通常依赖启发式或代理模型，限制了有效性和可转移性。我们提出了 CRAFT，这是一种由 大语言模型 (LLM) 提供支持的黑盒对抗等级攻击的监督框架。 CRAFT 分三个阶段运行：通过检索增强生成和自我完善来生成对抗性数据集，在策划的对抗性示例上监督 微调，以及偏好引导优化，以使生成与排名提升目标保持一致。对 MS MARCO 段落数据集、TREC 深度学习 2019 和 TREC 深度学习 2020 基准的大量实验表明，CRAFT 显着优于最先进的基准，实现了更高的晋升率和排名提升，同时保持流畅性和语义保真度。此外，CRAFT 可以在不同的排名架构之间有效传输，包括跨编码器、基于嵌入和基于 LLM 的排名器，强调了现实世界检索系统中的漏洞。这项工作为研究 NRM 中的对抗性威胁提供了一个原则框架，强调了生成式人工智能在排名操纵中的风险，并为开发更强大的检索系统提供了基础。为了支持可重复性，我们公开发布我们的源代码、经过训练的模型和提示模板。