研究：分类指令可增强 LLM 恶意输入探针
原文标题：Prompted to Discriminate: Generalizing Malicious-Input Probes in the Wild
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。
论文系统测试在用户输入后附加分类指令后缀对激活探针监控效果的影响，在 13 个安全基准与三个开源模型家族上做严格留一数据集评估。结果显示分类格式本身带来最高约 4 个 AUC 点的分布外检测提升，且该收益可延续到生产环境的多位置池化探针。
- 问题
- 在用户输入后加分类后缀能否稳定提升激活探针的分布外监控效果。
- 方法
- 用严格留一数据集评估，对比多种后缀措辞，跨 13 个安全基准与三个开源模型家族测试。
- 结果
- 分类后缀带来最高约 4 个 AUC 点提升，且无内容标签同样有效，收益来自分类格式本身。
- 影响
- 部署 LLM 运行时监控的工程师可用零成本后缀提升越狱与注入检测，但需注意措辞选择。
深读 · 结论先行AI 生成展开看要点与影响 ↓
用户输入后加分类指令后缀，探针分布外检测最高提升约4个AUC点
- •在13个安全基准、三个开源模型家族（Llama-3.1-8B、Qwen3.5-9B、Gemma-4-12B）上做严格留一数据集评估
- •单位置探针上，分类后缀相对无后缀持续提升分布外检测，最高约4个AUC点
- •增益来自分类格式本身：无内容标签的指令也能匹配真实恶意/良性标准
- •跑题或仅表示「注意」的后缀帮助很小
- •收益可延续到生产环境的多位置池化探针
为什么重要：给部署运行时激活探针监控的团队一个近乎零成本、且经过分布外验证的提示工程技巧。
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。