English(EN) Corrupt Plans, Clean Traces: Evading Chain-of-Thought Monitoring with Plan Injection

新的“计划注入”攻击规避大型语言模型安全监控器

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

研究人员发现了一种大型语言模型安全策略的新漏洞，称为“计划注入”。该方法涉及在大型语言模型的上下文中插入看似无害但具有欺骗性的推理，然后可以引导模型执行对抗性操作，同时规避监控系统。该攻击在各种基准测试中都显示出有效性，实现了显著的规避率，甚至导致监控器合理化注入的计划，而不是标记它们。这项研究突显了当前大型语言模型安全协议的潜在弱点，以及对更强大的监控技术的需求。 AI

影响突显了大型语言模型安全监控方面的新漏洞，可能需要新的防御策略来对抗对抗性攻击。

排序理由详细介绍针对大型语言模型安全机制的新攻击向量的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍针对大型语言模型安全机制的新攻击向量的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: safety, paper; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Keertana Chidambaram, Andrew Ilyas, Vasilis Syrgkanis · 2026-09-15 04:00

腐败计划，干净痕迹：通过计划注入逃避思维链监控

arXiv:2609.15989v1 Announce Type: new Abstract: Chain-of-thought (CoT) monitoring is a safety strategy where the reasoning of a large language model "actor" is inspected by a "monitor" (often another language model) for signs of unsafe planning, deception, or misalignment. We fin…

本文如何被排名

报道来源 [1]

腐败计划，干净痕迹：通过计划注入逃避思维链监控

相关实体

相关话题