待验证50% 置信解决方案精确时间
提示词越狱（Jailbreak）的常见手法包括角色扮演攻击、请求拆分、语义伪装以及多语言切换
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/8/31
首次发现
有效期至：2026/11/29
来源
涉及实体
相关事实
待验证越狱通过精心构造的提示词（如角色扮演、多步诱导、语言混淆）绕过安全过滤68% 相似待验证基于关键词的输入过滤面临对抗性规避挑战，攻击者可使用同义词替换、语言切换或编码混淆绕过，更健壮的方案是使用独立训练的意图分类模型60% 相似待验证2023年卡内基梅隆大学Andy Zou等人发表论文《Universal and Transferable Adversarial Attacks on Aligned Language Models》58% 相似待验证强对抗性攻击如使用另一个模型完整改写或翻译往返仍可能破坏水印信号，鲁棒性与文本质量之间存在权衡53% 相似待验证本质是语言表达类游戏，需要玩家主动开口描述与推理，性格内向或不愿发言的人群参与感弱53% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/831713API
curl https://kongchang.com/api/v1/knowledge/claims/831713MCP
get_claim(id=831713)