多轮自动红队方法（MART）通过迭代生成对抗性提示和安全响应来提高大型语言模型（LLMs）的安全性。每次迭代中，生成具有挑战性的对抗性提示，目标模型通过安全对齐数据进行细调，减少不安全的响应。经过4轮迭代，MART可将有限安全对齐的LLM的违规率降低高达84.7%，且不影响模型在非对抗性提示上的表现。

该方法适用于提升大语言模型安全性的场景，特别是在在线对话系统、虚拟助手等应用中，目标是显著降低模型生成有害内容的风险，同时保持其功能性。尽管MART在多轮迭代中表现优异，进一步的安全提升仍需结合人工红队和更多数据支持。实验结果表明，数据量和方法的不同会影响模型性能。