概念SecAlign++

SecAlign

一种基于微调的LLM提示注入防御方法，通过训练调整模型行为以抵抗注入攻击，但可能损害模型在少样本等场景下的通用性能。

时间轴 (近 90 天)

10月28日

在黑盒 RL-Hammer 攻击下，HoS 的攻击成功率（ASR）仅为 10%，而 GPT-OSS-20B 原始模型高达 97%，SecAlign 为 85%。

待验证50%

10月28日

HoS 在标准多项选择基准和提示设置上保持了基础模型的性能，而 SecAlign 和 ASIDE 在少样本场景下出现退化。

待验证50%

10月28日

在静态攻击的智能体基准上，HoS 与 SecAlign 表现相近，且大幅优于基础模型的安全-效用权衡。

待验证50%

在黑盒 RL-Hammer 攻击下，HoS 的攻击成功率（ASR）仅为 10%，而 GPT-OSS-20B 原始模型高达 97%，SecAlign 为 85%。

HoS 在标准多项选择基准和提示设置上保持了基础模型的性能，而 SecAlign 和 ASIDE 在少样本场景下出现退化。

在静态攻击的智能体基准上，HoS 与 SecAlign 表现相近，且大幅优于基础模型的安全-效用权衡。