研究人员开发了TRACER,一种新颖的对抗性训练方法,旨在保护大型语言模型免受间接提示注入攻击。该方法专门解决了攻击嵌入在检索内容或工具输出中比直接消息更易成功这一漏洞。TRACER采用通道感知对抗性训练和奖励塑造机制,使受攻击的推理与干净证据保持一致,显著降低了攻击成功率,同时在干净任务上保持高准确性。该方法显示出有希望的结果,特别是在使用Qwen2.5-3B-Instruct模型的GSM8K基准测试上。 AI
影响 增强了LLM抵御复杂提示注入技术的安全性,可能提高了在使用检索内容的应用中的可靠性。
排序理由 该集群包含一篇详细介绍LLM安全新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →