跳到正文
热点事件持续更新

ASD对抗自蒸馏防御LLM攻击方法发布

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

2026年10月30日，arXiv（cs.lg）平台发布论文，由Mohammad Sadegh Akhondzadeh等人提出对抗自蒸馏（ASD）方法。 ASD通过扩展模型在干净提示下的拒绝能力至对抗扰动空间，使模型在面对顺从性预填充攻击时仍能恢复拒绝行为。 实验结果显示，ASD实现了比当前最先进防御方法更低的攻击成功率，同时仅造成选择题准确率的小幅损失。

AI 根据报道生成 · 3 小时前更新

最新进展10月30日 12:00
对抗自蒸馏：强化大语言模型对抗攻击的防御能力

报道时间线

沿着报道，了解事件的不同侧面。

10月30日
  1. arXiv · ML
    对抗自蒸馏：强化大语言模型对抗攻击的防御能力

    提出对抗自蒸馏（ASD）方法，通过扩展模型自身的安全行为至对抗扰动空间来防御攻击。 该方法将模型在干净提示下的拒绝能力蒸馏至受攻击状态，即使面对顺从性的预填充也能恢复拒绝。 ASD 实现了比当前最先进防御方法更低的攻击成功率，且仅造成选择题准确率的小幅损失。

本事件热度走势

可比范围当前
8
可比范围峰值
910月30日 17:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。