跳到正文
arXiv · AI· Anning Hu, Yangyu Li, Yuqi Huang, Shengchao Hu, Junchi Yan·· 2026-10-14AI 评分38

StableJudge:面向 LLM-as-a-Judge 的轻量级对抗防御框架

StableJudge: A Lightweight Adversarial Defense Framework for LLM-as-a-Judge

AI 导读

StableJudge 提出轻量级防御框架,将提示词注入缓解外化为可复用的预评分能力。 核心组件为 0.13B 参数的 Sentry 模型,用于定位并清理注入片段,通过对抗演进攻击训练提升鲁棒性。 该框架在保留一般性能的同时提升攻击下的分数恢复率,并计划开源代码和数据。

来源:arXiv · AI · arxiv.org