10月9日 · 周五

全部论文

找到 1 篇

筛选5

攻击类型

越狱9 提示注入1 投毒与后门26 模型篡改10 提取与窃取16 检测规避3 恶意使用1

防御类型

水印与溯源1

系统形态

模型与 API1 编程 Agent0 多智能体0

攻击面/入口

层

提示层2 模型层3 应用层5 训练与数据层1

被测模型厂商

同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 480 篇还没打标签，不在筛选结果里。

攻击类型：恶意使用系统形态：模型与 API 系统形态：编程 Agent 系统形态：多智能体层：训练与数据层清除全部

另有 480 篇论文还没打上分类标签，暂不在筛选结果里。

防御arXiv 2608.290308月29日
研究者提出自蒸馏方法让 LLM 遵循上下文水印指令
提出 SDLP 与 GRPO，训练模型遵循上下文水印指令
arXiv
2608.29030
发表
8月29日
层
训练与数据层
场景
模型与 API
测试
GPT-5.4、GPT-5.4-mini、GPT-5.4-nano 等 14 个
- 防御水印与溯源
- 攻击恶意使用
深度解读完整解读

已经到底了