待验证50% 置信事实精确时间
2023年卡内基梅隆大学Andy Zou等人发表论文《Universal and Transferable Adversarial Attacks on Aligned Language Models》
1
来源数
50%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
AI安全护栏的边界：一个提示词引发的深层思考
redditr/ChatGPT2026/7/11
相关事实
待验证强对抗性攻击如使用另一个模型完整改写或翻译往返仍可能破坏水印信号，鲁棒性与文本质量之间存在权衡68% 相似待验证跨语言越狱利用了模型概念空间与语言空间的非对称性，因安全拒绝行为的学习高度语言特异68% 相似待验证OpenAI、DeepMind等机构的多项研究都证实了大语言模型谄媚问题的普遍性65% 相似已验证ReAct模式由Yao等人在2022年发表的论文《ReAct: Synergizing Reasoning and Acting in Language Models》中正式提出65% 相似待验证在多Agent协作开发中，大语言模型具有「过度热心」倾向，可能越界修改不属于自己职责范围的代码64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/490674API
curl https://kongchang.com/api/v1/knowledge/claims/490674MCP
get_claim(id=490674)