LTBD：用于提示词注入防御的可学习信任边界分隔符

研究者提出可学习信任边界分隔符 LTBD，通过在输入中显式编码信任边界来防御提示词注入，且不改变 LLM 参数。LTBD 在 AlpacaFarm 上实现 0.00% ASR，在 TaskTracker 上 ASR 仅 0.11-0.19%，性能优于推理时防御并与训练类方法相当，同时在自适应攻击下仍保持有效，推理开销可忽略。