跳到主要内容
检索

Xianglong Liu

1 篇关联报道

订阅更新
  1. arXiv

    伪装有害内容不再躲过审核:PASP用拼音与字形视图加对抗自博弈,自适应攻击成功率最多降74.49%

    同音字、生僻字形和表情符号能把有害意图藏在表面文字之下,而只读词元的审核模型往往看不出来。PASP为每条输入同时构造文本、拼音和渲染图像三种视图,并让攻击方依据防守方反馈不断改写、防守方按意图不变奖励学习。在Qwen3.5-9B与GLM-4.6V-Flash上,PASP把自适应攻击平均成功率相对监督微调最多降低74.49%,同时通用能力仅有小幅变化。

已读完全部报道