文章主要内容与创新点总结一、主要内容研究背景：大语言模型（LLMs）在实际应用中广泛部署，但指令遵循特性使其易受提示注入攻击——攻击者在良性提示中嵌入恶意指令，诱导模型偏离原定任务产生有害输出。现有防御方案（如提示过滤、运行时护栏）存在对抗性提示绕过、泛化能力不足等问题。核心研究对象：聚焦JATMO防御方法（“精通一事”），其通过微调非指令调优的基础模型以执行单一窄任务，理论上因未训练解读任意指令而忽略注入提示；同时采用HOUYI遗传攻击框架（通过迭代变异、优化对抗性提示）测试JATMO的鲁棒性。实验设计：数据集：基于Amazon All-Beauty评论数据集构建1500组输入-输出对（3条评论+人工风格摘要），无明确指令。模型：微调LLaMA 2-7B、Qwen1.5-4B、Qwen1.5-0.5B（JATMO方法），以微调后的GPT-3.5-Turbo（指令调优）为基线。攻击设置：通过改进的HOUYI框架发起内容操纵（追加“pwned”）和信息收集（泄露当前日期）两类攻击，每组模型测试72个独特注入提示。关键发现：JATMO能显著降低攻击成功率（较GPT-3.5-Turbo降低4-10倍），但无法完全防御，多语言提示、代码相关干扰项仍可绕过防御。存在“生成质量-注入脆弱性”权衡：R