SPILLWAY：分离目标准入与净化防御提示注入

Woosang Lim 等作者提交的论文提出 SPILLWAY 防御方法，将目标准入与净化分离：用确定性检查判断工具调用目标是否来自只读工具的 typed 字段或固定委派规则，阻止注入指令把动作重定向到攻击者目标。 作者称，在三个骨干模型和七个任务套件上，标准模板化注入均未成功重定向动作，平均效用与 NRP、ERS 综合得分在对比防御中最高；面对已发布的强化学习攻击者，范围内平均攻击成功率为 .007。该方法无需防御触发的骨干重跑，几乎不增加模型调用。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。