跳到正文
10月8日 · 周四

Anthropic · 论文

找到 1 篇
筛选1

攻击类型

越狱1

影响

有害内容1

系统形态

模型与 API1

攻击面/入口

用户输入1

层

提示层1应用层10

系统组件

护栏与评审1
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。
层：提示层话题：Anthropic清除全部
  1. 评测与基准arXiv:2608.03070 ·

    FAR.AI 发布 AI 安全排行榜与护栏最低标准 1.0

    建立越狱原语分类与双重危害基准，评测模型抵御常见越狱的能力

    测试
    Claude Fable 5、Claude Opus 4.8、GPT-5.6 Sol 等 8 个提示层
    场景
    模型与 API
    摘要论文系统评测了前沿模型对已知静态越狱的防御能力，揭示了厂商间防护鲁棒性的巨大分化。

    本研究针对前沿AI大模型在CBRNE与网络高危滥用领域的安全防护，提出了FAR.AI最低安全标准（Minimal Standard v1.0）及配套评测基准，系统量化了当前主流模型的防护鲁棒性。

    完整解读
已经到底了