MechAudit-40: White-Box Auditing across 40 LLM Attack Mechanisms

LLM 攻击涵盖提示优化、多轮上下文操纵、检索投毒和模型后门等多种机制，但现有白盒防御通常仅在孤立的攻击家族上评估，因此异构攻击是否会在内部表示中留下可泛化的位移信号仍属未知。本文提出 MechAudit-40，一个系统性的评估框架，在 5

历史摘要 · 未重新核验 · arXiv cs.CR