MPIDetector用少样本推理检测跨模态提示注入
论文提出MPIDetector，用少样本上下文学习而非微调，检测文本与图像中的提示注入。评测覆盖Gemini、Qwen与豆包等模型，文本最高准确率90.91%，视觉最高99.28%，500条混淆网页注入检出率最高99.80%。价格与国内可用性未知。
要点
- 方法不微调模型，而是用提示模板和代表性攻击样例，让大模型审查跨模态输入的语义意图。
- 基准含8类文本恶意样本和7类视觉恶意样本，并加入良性数据检验误报。
- 在Gemini-2.0-Flash、Qwen3-VL-32B-Instruct和Doubao-seed-1.6-flash上，报告结果优于文中对比的文本与视觉基线。
为什么值得看
多模态大模型进入实际应用后，攻击者可将恶意指令藏在文本叙述或图像中以绕过安全对齐；依赖签名和困惑度的方法难以识别复杂跨模态载荷。
谁会受影响
部署多模态大模型、网页代理或需审核用户多模态输入的安全与产品团队，以及研究提示注入防御的人员。
今天就能怎么试
资料仅给出论文方法与评测结果，未提供可运行产品、代码地址、价格或国内接入方式，上述信息均未知；本条未实测。
原始来源
1MPIDetector: Detecting Multi-modal Prompt Injection via LLM-based Reasoning · arXiv cs.AI · 2026年10月23日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。