arXiv 2026年10月5日该工作提出 Whiteout：在个人提出请求后，用精确设计的混淆样本覆盖其真实个人敏感信息（PSI），从而阻止 LLM 复述这些信息；在包括一款广泛使用的 OpenAI 模型在内的不同规模与厂商的现代 LLM 上评估显示，Whiteout 能有效阻止目标 PSI 泄露，对模型效用与安全影响可忽略，并优于现有替代方案，同时经受住从越狱等黑盒攻击到重学习、量化等白盒自适应攻击的多类反制测试。该工作提出 Whiteout：在个人提出请求后，用精确设计的混淆样本覆盖其真实个人敏感信息（PSI），从而阻止 LLM 复述这些信息；在包括一款广泛使用的 OpenAI 模型在内的不同规模与厂商的现代 LLM 上评估显示，Whiteout 能有效阻止目标 PSI 泄露，对模型效用与安全影响可忽略，并优于现有替代方案，同时经受住从越狱等黑盒攻击到重学习、量化等白盒自适应攻击的多类反制测试。Whiteout 用定向混淆样本覆盖个人敏感信息，在多种 LLM 上阻止目标信息被复述且对模型效用与安全影响可忽略该工作提出 Whiteout：在个人提出请求后，用精确设计的混淆样本覆盖其真实个人敏感信息（PSI），从而阻止 LLM 复述这些信息；在包括一款广泛使用的 OpenAI 模型在内的不同规模与厂商的现代 LLM 上评估显示，Whiteout 能有效阻止目标 PSI 泄露，对模型效用与安全影响可忽略，并优于现有替代方案，同时经受住从越狱等黑盒攻击到重学习、量化等白盒自适应攻击的多类反制测试。该工作提出 Whiteout：在个人提出请求后，用精确设计的混淆样本覆盖其真实个人敏感信息（PSI），从而阻止 LLM 复述这些信息；在包括一款广泛使用的 OpenAI 模型在内的不同规模与厂商的现代 LLM 上评估显示，Whiteout 能有效阻止目标 PSI 泄露，对模型效用与安全影响可忽略，并优于现有替代方案，同时经受住从越狱等黑盒攻击到重学习、量化等白盒自适应攻击的多类反制测试。