待验证50% 置信基准精确时间

一位开发者在Kaggle Benchmarking Challenge中构建了名为Unlearning Security Audit的基准测试，用于检验大语言模型能否识破伪装的遗忘代码

1

来源数

50%

置信度

长期有效

时效性

2026/10/11

首次发现

来源

LLM能审计机器遗忘吗？一次揭穿假遗忘代码的基准测试

涉及实体

Unlearning Security Auditproduct Kaggle Benchmarking Challengeproduct

相关事实

待验证安全研究已证明大语言模型能够自主执行渗透测试流程，包括信息收集、漏洞扫描、漏洞利用和权限提升68% 相似待验证探针分类（Probing）方法通过训练简单的分类器检测神经网络隐藏层是否编码了特定的语言学或概念属性67% 相似待验证大模型在安全攻防的核心任务包括代码审计、漏洞复现与利用链构建、模糊测试辅助65% 相似待验证自动化漏洞发现通常依赖覆盖制导的模糊测试工具如syzkaller、AFL++，这类工具对逻辑漏洞效果有限64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/998821

API

curl https://kongchang.com/api/v1/knowledge/claims/998821

MCP

get_claim(id=998821)