LLMON 后训练法将间接提示注入成功率降至 0.02%
原文标题：Post-Training Large Language Models with LLMON
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 LLMON（LLM Object Notation）后训练方法，强制区分可执行指令与被动数据并要求基于标识符显式执行。基于 4.6B token 结构化语料对 Granite-4.1 3B/8B 做监督微调加强化学习，间接提示注入攻击成功率从 53-100% 降至 0.02-5.6%，且通用能力保持。作者还提出基于注意力的可解释性指标定位各层失效模式。
- 问题
- LLM 不区分可执行指令与被动数据，易受间接提示注入。
- 方法
- 提出 LLMON 结构化表示，强制分离指令与数据并要求按标识符显式执行，用 4.6B token 语料做 SFT 加 RL。
- 结果
- Granite-4.1 3B/8B 上间接提示注入攻击成功率从 53–100% 降至 0.02–5.6%，通用能力保持。
- 影响
- 不改架构、仅靠后训练即可大幅降低注入风险，为 RAG 与工具调用产品提供可复制的安全路线。
深读 · 结论先行AI 生成展开看要点与影响 ↓
LLMON 后训练让 Granite-4.1 3B/8B 的间接提示注入成功率从 53-100% 降至 0.02-5.6%。
- •核心是强制区分可执行指令与被动数据，并要求基于标识符显式执行
- •用 4.6B token 结构化语料（通用、RAG、工具调用）做监督微调加强化学习，含干扰项变体
- •攻击成功率降至 0.02-5.6%，同时通用能力保持，无需改架构
- •提出基于注意力的可解释性指标，定位各 transformer 层的失效模式
为什么重要：提示注入是 RAG 与工具调用落地的核心安全障碍；用标准后训练而非改架构解决，迁移成本低。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。