跳到正文
10月12日 · 周一

全部论文

找到 6篇

另有240篇论文还没打上分类标签,暂不在筛选结果里。

  1. 攻击arXiv 2609.22510

    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

    提出条件触发的爆炸提示词,并设计摄入期检测器 DeFuse

    发表
    场景
    AI Agent
    被测模型
    Llama-3.1-8B-Instruct、Llama-3.1-70B-Instruct、Qwen2.5-32B-Instruct 等15个
    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。

    深度解读完整解读
  2. 防御arXiv 2608.06422

    CMU 研究:分片判断可避免 LLM 监督失效并抵御对抗利用

    提出分片监督,将评判标准分配给独立调用以抵御展示攻击

    发表
    攻击者
    黑盒
    被测模型
    Claude Opus 4.8、Claude Sonnet 4.6、Claude Opus 4.6 等4个
    摘要论文揭示决策负载是大模型监督的独立瓶颈,提出分片与辩论机制有效分离注意力与平衡证据,在多项高难度基准上实现稳健评判。

    本文系统研究了大语言模型在执行多标准监督与评判时的决策负载瓶颈及其安全风险。

    深度解读完整解读
  3. 攻击arXiv 2604.03890

    从提示到物理动作:针对 LLM 中介机器人控制系统的结构化后门攻击

    提出结构化 JSON 后门,经投毒 LoRA 在机器人控制中触发恶意动作

    发表
    被测模型
    Llama-3.1-8B-Instruct、Gemma-2-9B-IT、DeepSeek-R1-Distill-Llama-8B 等4个

    摘要推理层后门传不到执行。

    深度解读完整解读
  4. 攻击arXiv 2602.01658

    高维离线 Bandit 的高效对抗攻击

    提出三类攻击,训练前扰动奖励模型以劫持离线 bandit

    发表
    被测模型
    Image Reward、Aesthetic Model
    摘要公开奖励权重可被小扰动劫持离线 bandit,打乱日志只部分缓解。

    作者研究离线 bandit 在奖励模型被事先改权重时,还会不会选出最优臂。

    深度解读完整解读
已经到底了