跳到正文
10月13日 · 周二

全部论文

找到 1篇
筛选4

攻击类型

越狱6提示注入1投毒与后门4模型篡改17提取与窃取5检测规避11

攻击面/入口

用户输入6文档与消息1权重与梯度0

层

模型层1应用层70
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 215篇还没打标签，不在筛选结果里。
攻击类型：提示注入攻击面/入口：文档与消息攻击面/入口：权重与梯度层：模型层清除全部

另有215篇论文还没打上分类标签，暂不在筛选结果里。

  1. 评测与基准arXiv 2602.14161

    当基准说谎：在真实分布偏移下评估恶意提示分类器

    提出 LODO 评测恶意提示探针的跨数据集泛化

    arXiv
    2602.14161
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Llama-3.1-8B-Instruct、Gemma-3-27B、Qwen-3.5-4B 等5个
    摘要作者称 LODO 露出 CV 高估，数据集身份与安全方向部分重叠，标准域泛化干预关不上。

    LODO 用来检查恶意提示词分类器换成没见过的数据集后，还剩多少检测能力。。

    深度解读完整解读
已经到底了