待验证50% 置信决策规则精确时间

应用层越狱防御必须同时依赖训练阶段的鲁棒性提升和推理阶段的动态监测，单一维度加固效果有限

1

来源数

50%

置信度

长期有效

时效性

2026/7/19

首次发现

来源

GODMODE项目深度解析：AI越狱技术与大模型安全攻防博弈

相关事实

待验证对抗训练通过将已知越狱样本纳入训练数据来提升模型对攻击提示的识别与抵抗能力，但面临新型变体的持续挑战80% 相似待验证对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效78% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/561714

API

curl https://kongchang.com/api/v1/knowledge/claims/561714

MCP

get_claim(id=561714)