English(EN) RAG-PIBench: A Leakage-Aware Benchmark for Prompt-Injection Detection in Trustworthy RAG Systems

新基准 RAG-PIBench 评估 RAG 系统中的提示注入检测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-07 04:00

研究人员开发了 RAG-PIBench，这是一个旨在评估检索增强生成 (RAG) 系统中提示注入检测有效性的新基准。该基准包含跨越不同训练、验证和测试集的 4,876 个上下文示例，并采用了带泄露感知的构建过程。评估显示，DistilBERT 模型取得了最高性能，F1 分数为 0.896，PR-AUC 为 0.968，尽管传统的 TF-IDF SVM 和逻辑回归等方法也显示出具有竞争力的结果。 AI

影响该基准将有助于提高 RAG 系统在面对提示注入攻击时的安全性。

排序理由该条目是一篇学术论文，详细介绍了一个新的 AI 安全基准。[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: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇学术论文，详细介绍了一个新的 AI 安全基准。[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: paper, safety; 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) · Niveen O. Jaffal, Ahmet Yuksel, David Mohaisen · 2026-10-07 04:00

RAG-PIBench：用于可信 RAG 系统中提示注入检测的泄漏感知基准

arXiv:2610.08571v1 Announce Type: cross Abstract: Retrieval-Augmented Generation (RAG) systems are vulnerable to prompt-injection attacks embedded in retrieved content. We introduce RAG-PIBench, a benchmark for RAG-style prompt-injection detection containing 4,876 contextual exam…

本文如何被排名

报道来源 [1]

RAG-PIBench：用于可信 RAG 系统中提示注入检测的泄漏感知基准

相关实体

相关话题