本地 LLM 抵擋 MITRE ATT&CK 攻擊的能力差異

本地 LLM 抵擋 MITRE ATT&CK 攻擊的能力差異：Qwen3.6 vs Llama3.1 安全實測 本地開源 LLM 在面對 MITRE ATT&CK 攻擊框架時的抵抗力，其實有著顯著的個體差異。在 15 組紅隊攻擊指令的實測中，Qwen3.6-7B 吐出可用攻擊腳本的比例高達 73.3%，而 Llama3.1-8B 只有 33.3%。這份報告利用 AttackGPT 框架評估了這兩款模型的完整安全數據，適合正在建構本地端 AI 護欄的 MLOps 工程師，或是對 Red Teaming 工具有興趣的研究員參考。 之所以會跑這趟測試，是因為我們團隊近期正在評估把本地 LLM 導入醫療分析管線（例如 NGS 輔助診斷或 Agentic 流程）的可行性。選型的核心焦慮很直接：如果遇到被污染的 Prompt 或惡意誘導，護欄模型是真的能「果斷防住」，還是只是「卡死算很久，最後還是把有毒內容吐出來」？光看拒絕率這個單一數字很難回答這個問題，所以我決定從完成率和延遲兩個維度來評估，把這兩顆熱門的開源模型推上火線做個對比。 為什麼光看「拒...