待验证50% 置信事实精确时间

研究采用标签盲的LLM法官对失败攻击进行分类，判断代理是“忽略”还是“拒绝”注入指令。

1

来源数

50%

置信度

长期有效

时效性

2026/10/19

首次发现

来源

被忽略，而非被拒绝：小工具代理低注入成功率背后的真相

rss2026/10/16

涉及实体

标签盲LLM法官concept

相关事实

待验证LLM-as-a-Judge方式的缺点是评估本身消耗算力，且评判模型自身可能引入偏差76% 相似待验证评测器接口的缺陷会伪装成推理失败，解读基准测试结果时不区分评测管道与模型能力可能得出误导性结论68% 相似待验证受控的'来源迁移'实验表明，裁判会倾向于接受输入中可见的错误值，而拒绝来源被隐藏的正确值，即裁判在'跟随参考'而非独立验证值的正确性。68% 相似待验证对历史级别采取直接拒绝而请求级别采取警告忽略的策略，兼顾运行时健壮性与数据可靠性，是一种权衡设计68% 相似待验证去审查微调通常是用不含拒绝示例的数据集对基础模型二次微调，或在DPO阶段惩罚不必要的拒绝行为67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1065979

API

curl https://kongchang.com/api/v1/knowledge/claims/1065979

MCP

get_claim(id=1065979)