速報
LLMbda：以來源追蹤防護大型語言模型代理的新型 Lambda 計算模型
隨著大型語言模型被廣泛用作代理，會面臨提示注入等安全風險。傳統防護多依賴雙模型架構與資訊流控制，卻難以保證完整性。研究團隊提出 LLMbda，一種未型別的 call‑by‑value lambda 計算模型，將來源追蹤、動態資訊流與隔離策略內建於語言層，並以 Lean 完成機器檢驗的安全性證明。
速報
隨著大型語言模型被廣泛用作代理，會面臨提示注入等安全風險。傳統防護多依賴雙模型架構與資訊流控制，卻難以保證完整性。研究團隊提出 LLMbda，一種未型別的 call‑by‑value lambda 計算模型，將來源追蹤、動態資訊流與隔離策略內建於語言層，並以 Lean 完成機器檢驗的安全性證明。
深度分析
隨著 AI 代理人即將成為企業應用的核心，執行真實操作的安全缺口浮現。Parallax 透過認知‑執行分離、分層驗證與資訊流控制等四大原則，構建系統層面的防護，於 280 項對抗測試中阻擋超過 98% 攻擊。此框架有望重塑 AI 安全架構，降低傳統提示式防護的風險。