Heads of Security：学习式注意力门控提升提示注入鲁棒性

论文提出 Heads of Security（HoS），通过一小组可学习的逐注意力头门控，强制实现指令与不可信数据的分离，使模型能处理不可信内容而不执行注入指令。在 Llama-3.3-70B-Instruct 与 GPT-OSS-20B 上，与 SecAlign++ 和 ASIDE 对比：黑盒 RL-Hammer 攻击对 GPT-OSS-20B 的 ASR 为 97%、对 SecAlign 为 85%，对 HoS 仅 10%；摘要称其在自适应攻击下更鲁棒、通用基准表现更好，并在标准 agentic 提示注入基准上持平最优。

AI推荐理由 提出 Heads of Security（HoS），用少量可学习的逐头注意力门控实现指令与数据分离，属于架构层面的提示注入防御。摘要给出与 SecAlign++、ASIDE 的对比，并列出 RL-Hammer 攻击下 ASR 从 97%/85% 降至 10% 的具体数字，证据较明确；但仅摘要片段，Claudini 白盒攻击结果被截断，需看全文确认自适应攻击下的完整表现。