本研究聚焦于狭义后门(生成无意义文本)，此类漏洞在前沿模型中尚不构成重大威胁。但我们仍公开这些发现，旨在揭示数据投毒攻击可能比预期更具可行性，并推动该领域防御机制的深入研究。

据我观察，绝大多数大语言模型(LLMs)应用都停留在花哨的自动补全功能上，常通过Co-pilot实现。但真正从大语言模型(LLMs)中获益最多的人士认为自动补全价值有限

论文提出：即使添加无关文本（如“猫一生大部分时间在睡觉”），也可能导致模型错误率显著上升。

清单的制定创建OWASP LLM申请前 10 名列表是一项艰巨的任务，它建立在由近 500 名专家和超过125 名积极贡献者组成的国际团队的集体专业知识的基础上。我们的贡献者来自不同的背景，包括人工智能公司、安全公司、ISV、云超大规模提供商、硬件提供商和学术界。

这种情况–陡峭的学习曲线问题–现在变得容易多了，这要归功于 LLM（Large Language Model，大型语言模型）。