arXiv 人工智能· Basel Shbita, Michael Hind, Chad DeLuca, Nathan Fulton, Shubhi Asthana, Farhan Ahmed, Anisa Halimi, Yada Zhu, Mauro Martino, David Cox, Dan Gutfreund·· 8 小时前AI 评分52
研究提出 LLMON 后训练方法：显式分离指令与数据以抵御 Prompt 注入
Post-Training Large Language Models with LLMON
AI 导读
研究团队提出 LLMON 结构化后训练方法，通过显式分离可执行指令与被动数据来解决 Prompt 注入漏洞与不可靠执行控制问题。研究构建了涵盖通用、RAG 与工具调用场景的 4.6B token 训练语料，并在 Granite-4.1 3B 与 8B 基座模型上完成监督微调与强化学习。
来源：arXiv 人工智能 · arxiv.org