跳到正文
10月8日 · 周四

Anthropic · 论文

找到 5 篇
筛选2

攻击类型

越狱2提示注入1提取与窃取1检测规避1

攻击技术

编码与混淆1角色扮演与说服1对话结构操控2推理链操控3针对防御1潜伏触发1

防御类型

检测与过滤1

影响

有害内容2越权操作1数据与隐私泄露1输出被操纵1

系统形态

模型与 API4AI Agent1

攻击者权限

黑盒4无盒1

攻击面/入口

用户输入4网页与界面1文档与消息1代码仓库与依赖2

层

提示层4应用层1

系统组件

MCP 与技能2记忆3护栏与评审3推理链3权限与沙箱1

被测模型厂商

Anthropic5其他5
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 16 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：推理链话题：Anthropic清除全部

另有 16 篇论文还没打上分类标签，暂不在筛选结果里。

  2. 攻击arXiv:2609.08236 ·

    研究：内容不变的风格包装可翻转 LLM 安全评判器的判定

    提出内容不变样式包装，翻转安全评审器的判定

    模型与 API攻击者无盒黑盒测试Keyword (rulebased)、GPT-4o-mini (gpt4o)、GPT-4o-mini (strongreject) 等 12 个提示层
    摘要论文揭示特定安全评审器易受保持内容不变的外层包装诱导改变判定，并指出安全评估应将判定稳定性作为重要考量指标。

    这是一项关于大语言模型自动化安全评审系统表面样式脆弱性的评估研究。

    完整解读
  3. 攻击arXiv:2609.09553 ·

    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
  4. 攻击arXiv:2609.22510 ·

    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