כתבה
arXiv cs.AI ·
SkillPoison: הרעלת מיומנויות באמצעות חוויות מוצלחות
SkillPoison: Progressive Skill Poisoning via Successful Experiences
SkillPoison היא שיטה חדשה להרעלת מיומנויות של מודלים גדולים של שפה. היא עובדת על ידי יצירת חוויות מוצלחות שמחזקות התנהגות מטרה, ואז מסירה את התנאים הקשורים להתנהגות. השיטה הזו מאפשרת להרעיל מיומנויות בלי להכניס תוכן מזיק.
תקציר מקורי באנגליתarXiv:2610.07645v1 Announce Type: cross Abstract: Self-improving LLM agents increasingly distill successful experiences into persistent, reusable skills. Existing skill attack methods corrupt this learning pipeline by injecting malicious triggers, behaviors, or false facts into individual experiences or extracted skills. However, such attacks are easily detected, and the injected malicious behaviors often fail to accumulate as persistent skills. In this paper, we show that skill poisoning can arise even from verified successful experiences, without making any individual trajectory malicious. Based on this insight, we propose SkillPoison, a novel framework that progressively poisons skill via successful experiences. SkillPoison first constructs a set of successful experiences that reinforce
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית