待验证50% 置信事实精确时间
Prompt Guard 2对人工编写的注入指令评分为0.999，但对真实AgentDojo攻击的评分在0.004-0.140之间，全部低于默认阈值0.5。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
待验证Meta Prompt Guard 2 (86M)在默认阈值下对629个攻击的捕获率为1%，误报率为0%。72% 相似待验证研究表明攻击者只需修改训练数据中低至0.01%的比例，就可能在模型中植入标准评估中不可检测的后门行为68% 相似待验证在629个AgentDojo攻击和97个良性工具输出的测试中，jailbreak-detector-large的捕获率为51%，误报率为2%。68% 相似待验证adversa.ai 的 CodePoisonRAG 研究在三个代码生成智能体中植入了 85 个投毒样本，攻击成功率为 0.80 到 0.9367% 相似待验证根据 Google 的安全数据，编程评估尝试中未授权捷径占 2%，间接提示注入攻击在 15 次自适应尝试中的成功率为 0.7%。67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1022427API
curl https://kongchang.com/api/v1/knowledge/claims/1022427MCP
get_claim(id=1022427)