Ali Al-Lawati, Elsayed Eshra, Dongwon Lee, Suhang Wang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31558 · open-access PDF
\emph{Continuous-space} атаки находят промпты, которые запускают злонамеренное поведение, такие как переосмысление, в LLM черного ящика путем выборки или оптимизации над низкомерным гаусским скрытым пространством и расшифровки его в текст через \emph{random-mapping} и ближайший поиск токенов. Поскольку случайное картографирование не изучается из языка, его промпты могут быть высоко неестественными, и как таковые легко обнаружимы вход через гвардейки, и оценки риска, которые они приносят, не основаны на естественных промптах.
Machine translation (Meta M2M100); the English original follows.
\emph{Continuous-space} attacks find prompts that trigger malicious behaviors, such as overthinking, in black-box LLMs by sampling or optimizing over a low-dimensional Gaussian latent space and decoding it to text through a \emph{random mapping} and nearest-token lookup. Because the random mapping is not learned from language, its prompts can be highly unnatural, and as such easily detectable through input guardrails, and the risk estimates they yield are not grounded in natural prompts. In this paper, we demonstrate that the same continuous latent-space framework can be coupled directly to a
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31558, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange