arXiv · cs.AI· Anning Hu, Yangyu Li, Yuqi Huang, Shengchao Hu, Junchi Yan·· 12 小时前
StableJudge：面向LLM评审的轻量级对抗防御框架
StableJudge: A Lightweight Adversarial Defense Framework for LLM-as-a-Judge
arXiv:2610.16814v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Anning Hu, Yangyu Li, Yuqi Huang, Shengchao Hu, Junchi Yan
研究任务与主要进展
StableJudge 提出一种面向大语言模型评审流程的轻量级防御框架，通过 0.13B Sentry 在评分前定位并定向清理提示注入片段。作者称，该框架利用对抗演化攻击训练，并在留出的科学论文摘要和分布外攻击变体上提高受攻击时的评分恢复，同时基本保持通用能力；代码和数据计划发布。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org