10月8日 · 周四

红队 · 论文

找到 2 篇

筛选1

攻击类型

提示注入1 检测规避1

攻击技术

防御类型

检测与过滤2

影响

越权操作1 监督失效1

系统形态

LLM 应用1 AI Agent1

攻击者权限

攻击面/入口

网页与界面1 文档与消息2 代码仓库与依赖1

层

系统组件

MCP 与技能1 护栏与评审2 监控器2 权限与沙箱3

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。

系统组件：护栏与评审话题：红队清除全部

防御arXiv:2608.06422 · 8月6日
CMU 研究：分片判断可避免 LLM 监督失效并抵御对抗利用
提出分片监督，将评判标准拆至独立调用以改善一致性并抵御展示攻击
测试
Claude Opus 4.8、Claude Sonnet 4.6、Claude Opus 4.6 等 5 个应用层
场景
LLM 应用攻击者黑盒
摘要论文揭示决策负载是大模型监督的独立瓶颈，提出分片与辩论机制有效分离注意力与平衡证据，在多项高难度基准上实现稳健评判。
本文系统研究了大语言模型在执行多标准监督与评判时的决策负载瓶颈及其安全风险。
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
测试
Llama-3.1-8B-Instruct、Llama-3.1-70B-Instruct、Qwen2.5-32B-Instruct 等 14 个应用层
场景
AI Agent
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