LTBD 用四个可学习信任边界分隔符在四个开源模型上把 AlpacaFarm 注入成功率降到 0.00%
作者提出 LTBD:在冻结大模型参数的前提下,只训练四个可学习分隔符嵌入,把它们分别放在可信指令与不可信外部数据的边界上,从而显式编码信任来源;在 Llama3-8B、Llama3.1-8B、Falcon3-7B、Qwen2.5-7B 四个指令微调模型上,AlpacaFarm 攻击成功率均为 0.00%,TaskTracker 为 0.11–0.19%,并在攻击者完全知晓防御的 Delimiter-Spoof 自适应攻击下保持接近不变。