本文研究了对现代大型语言模型（LLMs）在编码任务中的对抗性示例攻击的影响，并提出了基于提示的防御措施，实验证明其具有改善模型韧性的潜力。

本文研究了对现代大型语言模型（LLMs）在编码任务中的对抗性示例攻击的影响，并提出了基于提示的防御措施。实验证明，对抗性示例具有可转移性，削弱了LLMs的性能。提出的防御措施显示出改善模型韧性的潜力。

本文研究了对现代大型语言模型（LLMs）在编码任务中的对抗性示例攻击的影响，并提出了基于提示的防御措施，实验证明对抗性示例具有可转移性，削弱了LLMs的性能，提出的防御措施显示出改善模型韧性的潜力。

深度神经网络模型在各领域取得进展，但在风险关键任务中存在对抗性示例攻击的漏洞。研究人员提出了对抗训练、降维和预测相似度作为防御措施，并通过可视化图表表示模型行为变化。

本文研究了对现代大型语言模型（LLMs）在编码任务中的对抗性示例攻击的影响，并提出了基于提示的防御措施，实验证明对抗性示例具有可转移性，削弱了LLMs的性能，提出的防御措施显示出改善模型韧性的潜力。