PDF 隐藏文本注入频发:ICML 795 份评审中招,你的管道读的是哪一层?
my-coffee-where · reddit · 2026-10-12
PDF 隐藏文本攻击这一年很热闹:ICML 投稿 PDF 里藏了面向 LLM 评审员的隐形指令,795 份评审被标记;康涅狄格州一家法院也因诉讼当事人用几乎看不见的白色小字针对 AI 读者而剥夺其电子提交权利。
原理很廉价:PDF 只是把字形放在坐标上,白色填充、3pt 字号、文本渲染模式 3 或放在可见页面外的文本,都会被当正常文本提取出来;docx 的隐藏字体属性和 html 邮件的 display:none 是同类问题。
作者指出:人看到的和模型拿到的其实是两条产出路径——
- 文本层:会带上所有隐藏内容;
- 渲染/OCR/视觉模型:会丢掉隐藏内容,但更贵,且对原生数字 PDF 的数字一致性不稳定。
建议:用 pymupdf、llamaparse 或 pdfplumber 等同时拿到「定位文本 + 页面图像」,双路对比、标记只出现在其中一路的文本,并注意 OCR 扫描件本身也可能被植入隐形文本层。
「编程与Agent」频道最新
- TestSuiteBench:前沿编码 Agent 生成的测试套件抓不住一半以上逻辑缺陷 — OfirPress · 2026-10-12
- 观点：看不懂 agent 在干嘛，你会在产出前先破产 — noahsolomon · 2026-10-12
- Mole 1.16 发布：可一键清理 Claude Code、Codex 等 AI 工具缓存 — sujingshen · 2026-10-12
- 用 Codex 搭建照片筛选工具：按人脸与场景智能挑片 — banteg · 2026-10-12
- 只能让 AI Agent 提问的 AMA：一场 24 小时的 agent 交互实验 — metehan777 · 2026-10-12
- 哨兵agent拦截失控GLM，给agent上监控很有必要 — wunderwuzzi23 · 2026-10-12