检索增强型LLM在消费推荐中易受GEO内容污染影响,成为虚假产品的无意推广者。
新基准FORGE在225个真实产品、15个类别和5个消费场景中测试12个商业及开源LLM,发现所有模型均易受攻击:单个污染页面即可造成最高27%的受骗率,替换全部前3个结果时升至73.8%。
Les LLM augmentés par la recherche sont facilement affectés par la contamination du contenu GEO dans les recommandations aux consommateurs, devenant des pr...
Les LLM augmentés par la recherche sont facilement affectés par la contamination du contenu GEO dans
les recommandations aux consommateurs, devenant des promoteurs involontaires de produits faux. Le nouveau benchmark FORGE a testé 12 LLM commerciaux et open source sur 225 produits réels, 15 catégories et 5 scénarios de consommation, et a constaté que tous les modèles étaient vulnérables aux attaques : une seule page contaminée peut entraîner un taux de tromperie allant jusqu'à 27 %, tandis que le remplacement des trois premiers résultats fait grimper ce taux à 73,8 %.
检索增强型LLM在消费推荐中易受GEO内容污染影响,成为虚假产品的无意推广者。
新基准FORGE在225个真实产品、15个类别和5个消费场景中测试12个商业及开源LLM,发现所有模型均易受攻击:单个污染页面即可造成最高27%的受骗率,替换全部前3个结果时升至73.8%。
HuggingFace Daily Papers收录的FORGE基准显示,检索增强型LLM用于消费推荐时可能受到GEO内容污染影响,并在推荐中无意推广虚假产品。测试覆盖225个真实产品、15个类别、5个消费场景及12个商业和开源LLM。
材料称,FORGE针对消费推荐场景评估检索增强型LLM的脆弱性。结果显示,所有被测试模型均易受攻击;单个污染页面造成的最高受骗率为27%,替换全部前3个结果时升至73.8%。
Aioga判断,这项基准将检索结果污染与LLM推荐风险直接联系起来,说明推荐输出不能只看生成模型本身。具体风险如何随检索策略、产品类别或模型变化,材料尚未说明,值得继续核验。
可能受到影响的不只是搜索排序,也包括依赖检索内容形成推荐的消费决策流程。由于材料未披露攻击页面的具体机制、持续时间或真实业务损失,现阶段更适合将数据视为风险信号,而非普遍损失预测。 建议关注FORGE的完整论文和可复现实验细节,进一步核对污染页面定义、受骗率统计口径及不同模型的分项结果。在相关系统中,可优先审查检索来源和前排结果替换风险,但材料未提供具体防护效果数据。
La source fournit un titre, un résumé, une attribution et un lien original. Aioga ne republie pas l’article intégral.
Canal de collecte: Agrégation de résumés · Domaine source: arxiv.org
Source: HuggingFace Daily Papers(社区热门论文)
Lien original: Ouvrir la source
Archive Aioga: Ouvrir la page de veille
Content record: summary-fallback · Updated: 2026-08-24T00:00:00.000Z

统一接入主流 AI 模型 API,为开发、测试与生产环境提供稳定调用入口。
立即访问 api.w173.comAioga agrège l’actualité mondiale de l’IA et conserve les sources pour vérification et citation.