decoy-hardening

本文介绍了'Fool's Gold'，一种防御性欺骗技术，它训练开放权重模型在面临安全移除攻击时生成带有伪造关键元素的诱骗响应，从而有效毒化攻击收益。在多个模型上测试，该技术实现了高诱骗率，且未降低良性性能。