Symbolic Swapper攻击使LLM规划性能下降超70%
热点事件持续更新
Symbolic Swapper攻击使LLM规划性能下降超70%
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Stephen Obadinma 与 Xiaodan Zhu 发表论文(NeurIPS 2026),提出名为 Symbolic Swapper 的对抗攻击框架,自动生成使用非标准符号词汇的混淆规划域,系统性破坏强推理模型的规划能力。 实验显示,该攻击可使基础模型乃至稳健规划框架的规划性能下降超过 70%。作者分析发现,成功混淆会导致模型推理质量明显退化,暴露出其对任务域的理解与实际规划能力之间的差距。
AI 根据报道生成 · 3 小时前更新
最新进展11月16日 13:00
对抗性攻击 LLM 规划器中的符号词汇脆弱性报道时间线
沿着报道,了解事件的不同侧面。
11月16日
- arXiv cs.AI对抗性攻击 LLM 规划器中的符号词汇脆弱性
研究者提出名为 Symbolic Swapper 的 LLM 对抗攻击框架,自动生成使用非标准符号词汇的混淆规划域,系统性削弱推理模型的规划能力。实验显示,攻击可使基础模型乃至稳健规划框架的性能下降超过 70%。分析发现,成功混淆会让模型推理质量明显退化,暴露出其对任务域的理解与实际规划能力之间的差距。该论文发表于 NeurIPS 2026。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1011月16日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。