Meta · 论文

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

arXiv

2609.08236

发表

9月8日

层

提示层

场景

模型与 API

攻击者

黑盒

测试

Keyword (rulebased)、GPT-4o-mini (gpt4o)、GPT-4o-mini (strongreject) 等 12 个

• 攻击检测规避
• 技术角色扮演与说服
• 组件护栏与评审
• +1+1

Odin：面向隐私保护 Llama 3 8B 推理的开源端到端 FHE 实现

提出端到端全同态加密方案 ODIN，在云端密文上完成推理以保护提示词

arXiv

2609.12378

发表

9月11日

层

基础设施层

场景

模型与 API

测试

Meta-Llama-3-8B、Llama-3-8B（THOR-style baseline）

WIFA：按意图分组监督缓解包装式越狱与过度拒答

提出 WIFA 意图组监督微调，缓解包装式越狱与过度拒答

arXiv

2608.13304

发表

8月13日

层

训练与数据层

场景

模型与 API

测试

Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、Qwen-72B 等 4 个

• 防御模型加固
• 攻击越狱
• 风险拒答失当

研究：众包微调数据投毒可放大专有指令抽取

提出主题锚点投毒，放大众包微调后的专有指令提取

arXiv

2609.33985

发表

9月28日

层

训练与数据层

场景

模型与 API

攻击者

黑盒

测试

Qwen2.5-7B-Instruct、Qwen2.5-14B-Instruct、Llama-3.1-8B-Instruct 等 6 个

• 攻击投毒与后门
• 技术潜伏触发
• 组件微调与开源权重
• +1+1