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

梯度与表征优化1 自动化搜索3 多轮渐进1 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 跨模态载荷2 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

黑盒1 白盒1

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

护栏与评审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 25 篇还没打标签，不在筛选结果里。

攻击技术：梯度与表征优化攻击技术：潜伏触发话题：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:2607.23496 · 7月26日
Concept2Scenario：用 SAE 概念归因发现可迁移的越狱场景
提出 Concept2Scenario，借助内部概念归因发现可迁移的越狱场景
模型与 API攻击者白盒黑盒测试Qwen3.5-9B、Llama-3.1-8B、Ministral-3-8B 等 10 个提示层
摘要该研究从表征空间因果归因揭示场景削弱拒绝的机制，发现可复用脆弱场景先验，提升多模型黑盒越狱效能与探索速度。
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