10月8日 · 周四

Google DeepMind · 论文

找到 2 篇

筛选2

攻击类型

越狱1 提示注入1

攻击技术

编码与混淆1 推理链操控1 潜伏触发1

防御类型

检测与过滤1

影响

有害内容1 越权操作1

系统形态

模型与 API1 AI Agent1

攻击者权限

攻击面/入口

用户输入1 网页与界面1 文档与消息1 代码仓库与依赖1

层

提示层1 应用层1

系统组件

MCP 与技能2 护栏与评审2 推理链3 权限与沙箱2 微调与开源权重0 视觉1 视频1 多模态2

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 25 篇还没打标签，不在筛选结果里。

系统组件：护栏与评审系统组件：微调与开源权重话题：Google DeepMind 清除全部

另有 25 篇论文还没打上分类标签，暂不在筛选结果里。

攻击arXiv:2609.09553 · 9月9日
研究：任意密文攻击前沿大模型无需微调即可越狱
提出任意字母置换密码越狱，无需微调即可诱导有害输出
模型与 API攻击者黑盒测试Claude Sonnet 4、Claude Sonnet 4.5、Gemini 3 Flash (preview) 等 7 个提示层
摘要前沿大模型无需微调即可通过提示词学会字母置换密码，进而绕过分类器与对齐，作者呼吁关注能力提升带来的安全风险。
完整解读
攻击arXiv:2609.22510 · 9月19日
特拉维夫大学提出爆炸性提示词：条件触发的间接提示注入可绕过九款生产 Agent
提出爆炸提示词，用条件触发的间接注入延迟诱发恶意工具调用
AI Agent测试Llama-3.1-8B-Instruct、Llama-3.1-70B-Instruct、Qwen2.5-32B-Instruct 等 14 个应用层
摘要论文揭示了条件触发使提示注入绕过防御并在触发时执行工具，提出轻量检测器并在摄入期有效防范。
论文针对大语言模型智能体面临的间接提示注入威胁，研究了利用条件句式实现时间分离的爆炸提示词。
完整解读

已经到底了