新方法近乎完美还原 LLM 提示词

IIT Bombay 与 Adobe Research 提出「Previous-Token Prediction」（PTP）方法：训练一个逆向语言模型，仅凭 LLM 输出文本即可近乎完美重建原始提示词，全程不接触模型权重。论文示例中，提示词被逐字还原，并生成六个语义变体；用 Qwen-3-0.6B 训练的逆向模型也能从 GPT-4o 响应中还原提示词意图，攻击者无需知道目标模型。

对依赖专有系统提示词的公司，这构成泄露风险，因提示词可能包含商业机密或审核规则。但论文仅在单句或双句短提示词上验证，未测试长系统提示词，实际对生产系统的威胁仍需独立复现确认。

💡 为什么值得看只靠输出文本即可近乎完美重建提示词，专有系统提示词面临泄露风险；但长系统提示词尚未验证。