可解释性 · 论文

研究用 XAI 归因分析 Prompt Guard 2，同义词替换可翻转其提示注入判定

用词级归因指导同义词替换，翻转提示注入检测并验证越狱

arXiv

2609.24801

发表

9月22日

层

提示层

场景

模型与 API

测试

Prompt Guard 2 (86M)、Llama 3.1 8B

• 防御检测与过滤
• 攻击检测规避
• 技术梯度与表征优化
• 组件护栏与评审
• +1+1