已过期60% 置信基准精确时间

无防护措施的Sonnet 5底层模型对提示注入攻击表现出极强抵抗力，被攻破概率不到1%

2

来源数

60%

置信度

中期 (~90 天)

时效性

2026/7/8

首次发现

有效期至：2026/10/6(已过期)

来源

Fable 5对决GPT-5.6 Sol：性价比重塑前沿AI格局

bilibili英文白斑马2026/7/3

相关事实

待验证纯粹基于软件的AI安全护栏存在被越狱攻击绕过的风险，对于触及关键能力阈值的模型延缓部署比仅依赖护栏更审慎66% 相似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零64% 相似待验证攻击率（attack rate）衡量模型在对抗性提示（jailbreak、prompt injection等）下被成功诱导输出有害内容的概率，数值越低说明安全边界越稳固63% 相似待验证先前 Sonnet 5 基准成绩平平且存在复杂任务上成本失控上涨的问题61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/248324

API

curl https://kongchang.com/api/v1/knowledge/claims/248324

MCP

get_claim(id=248324)