深度分析
大型語言模型安全缺口：深層數學重構攻擊在 HarmBench 與 JailbreakBench 的表現
研究指出，將有害指令以集合論、形式邏輯或量子力學等數學形式重新編碼，可繞過八款大型語言模型的安全機制，攻擊成功率達 46% 至 56%。深層 LLM 輔助的重構方式平均成功率超過 46%，規則式編碼僅約 10%。即使 GPT-5 系列更具韌性，仍需針對數學結構開發逆向防禦。
深度分析
研究指出，將有害指令以集合論、形式邏輯或量子力學等數學形式重新編碼，可繞過八款大型語言模型的安全機制，攻擊成功率達 46% 至 56%。深層 LLM 輔助的重構方式平均成功率超過 46%，規則式編碼僅約 10%。即使 GPT-5 系列更具韌性，仍需針對數學結構開發逆向防禦。
深度分析
隨著AI代理人能操作電腦圖形介面，安全與資安風險同步升級。研究系統化整理CUAs的威脅類型、防禦手段與評測基準，指出視覺誤判與指令注入等漏洞，呼籲建立統一安全標準與透明機制。同時，本文比較傳統RPA與新興CUA在功能與風險上的差異，並預測此技術將重塑開發者生態與法規治理。