待验证50% 置信事实精确时间
第一版任务集为100%陷阱题，单次作答基线为0/12，无法测量无门控修正的危害；加入干净任务后危害才可测量。
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证在同时启用探针和自动模式的情况下，Anthropic的提示注入攻击测试显示攻击成功率降至零73% 相似待验证在该实验中只有在保留数据上完全重训才能既消除后门行为又保持100%干净准确率，掩码遗忘损失和梯度上升方法的触发攻击成功率均为100%71% 相似待验证对抗测试的效果高度依赖场景库的完备性，未被预见的攻击路径依然是盲区，单次通过测试不代表Agent在生产中永远安全68% 相似待验证解决多约束失效问题需要通过任务拆解,让每个阶段处理不超过五条约束67% 相似待验证never-empty rescue 救援机制在小病灶场景下尤为关键，可拦截概率略低于阈值而被静默丢弃的小病灶样本67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1005673API
curl https://kongchang.com/api/v1/knowledge/claims/1005673MCP
get_claim(id=1005673)