跳转至

📄 ai_safety

💬 EMNLP2026 · 1 篇论文解读

LLM-Based Adversarial Persuasion Attacks on Fact-Checking Systems

本文提出面向自动事实核查(AFC)系统的说服注入对抗攻击框架(Persuasion Injection Attacks),利用生成式 LLM 在保持声称真实性标签不变的前提下注入 15 种说服话术,通过解耦评测揭示出最坏情况下核查准确率崩塌至接近零,且操纵性措辞能同时瓦解证据检索与真实性分类两道防线。