伯克利等提出可控释放提示词攻击

伯克利等机构研究者在USENIX Security 2026论文中提出可控释放提示词攻击，把越狱指令编码成轻量守护模型解不开、主模型却能解密的伪时间锁谜题，绕过大模型前置输入过滤。 在Gemini 2.5 Flash、DeepSeek Chat、xAI Grok、Mistral Le Chat网页版黑盒测试中，定时释放变体对前三者成功率达100%，Mistral为92%。对14款开源防护模型共4000条样本的测评显示，几十M至2B的轻量分类器几乎全部失效。

AI 根据报道生成 · 26 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。