arXiv · cs.AI· Min-Young Yu·· 6 小时前
Qwen3-8B通过策略验证自训练提升提示注入防护
Policy-Verified Self-Training: Learning Agent Compliance from Verifiable Policy Rewards
arXiv:2610.19372v1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：Min-Young Yu
研究任务与主要进展
Min-Young Yu提出策略验证自训练（PVST），利用由书面策略编译的确定性验证器评估智能体动作，并以合规轨迹和违规轨迹进行偏好优化。在AgentDojo的提示注入任务上，基于论文摘要，Qwen3-8B的违规轨迹由37.2%降至10.3±0.9%，成功攻击由12.4%降至0.5%，总体任务效用保持相等或更高，但旅行任务效用下降；该方法还泛化到未用于训练的攻击模板和任务套件。
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