--- title: "PromptRobust (benchmark) (IT)" source: "https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)" wiki: "systems-analysis.info/int" article: "PromptRobust_(benchmark)_(IT)" language: "it" categories: - "Category:Italian" - "Category:Large language models" - "Category:LLM benchmarks" - "Category:Machine learning" revision_id: 5943 wiki_created_at: 2026-09-06T23:56:12Z wiki_modified_at: 2026-09-06T23:56:12Z downloaded_at: 2026-09-07T23:11:09Z --- # PromptRobust (benchmark) (IT) **PromptRobust** (noto anche come **PromptBench**) — è un **benchmark** completo per la valutazione della robustezza dei grandi modelli linguistici (LLM) rispetto alle **modifiche avversariali del prompt** — piccole distorsioni nella formulazione del compito che non ne alterano il significato[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1)[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). Il benchmark è stato sviluppato nel 2023 da un gruppo di ricercatori (Kaijie Zhu et al.) di Microsoft Research Asia[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). La nascita di PromptRobust è motivata dall'osservazione che i moderni LLM sono sensibili ai dettagli della formulazione: anche modifiche minime (ad esempio, errori di battitura o riformulazioni) possono influenzare notevolmente le risposte dei modelli[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). Il benchmark mira a misurare quantitativamente questa vulnerabilità e a favorire lo sviluppo di metodi più affidabili di interazione con gli LLM. ## Metodologia di valutazione Nell'ambito della ricerca PromptBench è stato costruito un corpus di **4788 prompt modificati** che preservano il significato originale dei compiti[\[3\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-abs-3). Questi prompt avversariali sono stati generati a quattro livelli di complessità delle modifiche[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1): - **Livello dei caratteri**: Introduzione di errori di battitura, sostituzione o trasposizione di caratteri (simula errori casuali di digitazione). - **Livello delle parole**: Sostituzione di alcune parole con sinonimi, inserimento di parole «rumorose» o altre modifiche lessicali minori. - **Livello della frase**: Riformulazione della struttura delle frasi, aggiunta o trasposizione di parti del testo senza modificare il tema generale. - **Livello semantico**: Riformulazione più profonda della richiesta mantenendo il compito invariato (ad esempio, formulazioni alternative della stessa domanda)[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). L'obiettivo di tali «attacchi» è verificare in che modo deviazioni minori (ad es., errori di battitura casuali o l'uso di formulazioni sinonimiche) influenzano la capacità del modello di eseguire correttamente il compito, pur restando il compito stesso invariato[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Ogni prompt avversariale generato è stato applicato a una serie di task NLP standard, tra cui **analisi del sentiment**, **rilevamento della correttezza grammaticale**, **individuazione di frasi duplicate**, **inferenza logica** (NLI), **lettura e comprensione**, **traduzione automatica** e **risoluzione di problemi matematici**[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Per gli esperimenti sono stati selezionati 8 diversi tipi di task su 13 dataset — dai classici dataset GLUE (ad esempio, SST-2 per il sentiment, MNLI per NLI) a test matematici e multilingue specializzati[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). È importante sottolineare che è stata verificata la robustezza di diversi **formati di prompt**[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1): - Richieste dirette senza esempi (**zero-shot**, solo istruzione). - Richieste con alcuni esempi (**few-shot**, dove nel prompt sono forniti campioni di soluzione). - Prompt con ruoli (**in-context roles**, ad esempio, «Sei un sistema di analisi del sentiment, determina...»). - Prompt descrittivi del compito (**task-oriented**, descrizione diretta del compito)[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Sono stati inoltre testati vari modelli linguistici di grandi dimensioni, dal relativamente piccolo Flan-T5-large e il modello UL2 fino ai più avanzati ChatGPT e GPT-4, nonché i modelli open source della famiglia LLaMA 2 e il derivato Vicuna[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Per la generazione degli attacchi sono stati utilizzati metodi esistenti nel campo dell'NLP avversariale (come TextBugger, DeepWordBug, TextFooler e altri), adattati per la modifica dei prompt anziché dei dati di input[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). La correttezza dei prompt «distorti» ottenuti è stata verificata con metodi automatici e manuali; secondo il rapporto, almeno l'85% delle variazioni avversariali mantiene la semantica corretta ed è comprensibile all'essere umano[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Pertanto, l'effetto degli attacchi riflette precisamente i fallimenti del modello nell'interpretare il compito riformulato, e non la perdita del significato del compito stesso. ## Risultati e conclusioni I test hanno mostrato che i moderni LLM **non sono sufficientemente robusti rispetto a piccole modifiche nella formulazione del prompt**[\[3\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-abs-3). Per tutti i modelli testati è stato osservato un significativo calo della qualità delle risposte sotto l'effetto degli attacchi generati[\[3\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-abs-3). In particolare, anche casi semplici — come un errore di battitura nel testo di un problema matematico o la sostituzione di una parola chiave con il suo sinonimo — portavano il modello a fornire un risultato errato, mentre senza distorsione lo risolveva correttamente[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). La conclusione generale degli autori è: «i moderni grandi modelli linguistici **non sono robusti** rispetto ai prompt avversariali»[\[3\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-abs-3), ovvero deviazioni minori nel phrasing possono sistematicamente trarre in inganno i modelli. Nell'analisi dei diversi tipi di attacchi è emerso che le modifiche a **livello delle parole** hanno l'effetto più dannoso sul funzionamento degli LLM[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). La sostituzione di parole con sinonimi o lievi distorsioni morfologiche provocavano il **maggiore calo della qualità** — in media circa il ≈33% rispetto al risultato originale sugli stessi compiti[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). Gli attacchi a **livello dei caratteri** (errori di battitura, caratteri casuali) causavano in media una riduzione della precisione di circa il ~20%[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). La modifica qualitativa o l'aggiunta di intere frasi al prompt, al contrario, aveva un effetto molto più debole, disorientando il modello solo marginalmente[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Le **riformulazioni semantiche** (rielaborazione profonda della richiesta in altro modo) si sono rivelate paragonabili per dannosità ai semplici errori di battitura[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Questi risultati sottolineano che gli LLM sono particolarmente vulnerabili a sottili modifiche lessicali e a errori nelle parole chiave[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). È significativo che le distorsioni grammaticali (errori di battitura) potrebbero in teoria essere filtrate con i comuni strumenti di controllo ortografico, mentre le modifiche a livello di parole e di significato richiedono al modello una comprensione semantica sviluppata, di cui i modelli attuali spesso difettano[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). L'analisi delle prestazioni dei vari modelli ha mostrato una variazione significativa nella loro robustezza[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). **GPT-4** e **UL2** hanno dimostrato la migliore resistenza ai prompt avversariali[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Leggermente meno soggetti a errori si sono rivelati anche il modello Flan-T5-large e il modello conversazionale ChatGPT[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). I modelli della famiglia LLaMA 2 hanno occupato una posizione intermedia, mentre **Vicuna** (13B) si è distinta come la più vulnerabile a tutti i tipi di attacchi[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). È interessante notare che **la dimensione del modello non si è rivelata un fattore determinante della robustezza**[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1): il relativamente piccolo T5-large era praticamente equivalente al molto più grande ChatGPT in termini di stabilità delle risposte[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Gli autori ipotizzano che il ruolo chiave sia svolto dai **metodi di addestramento e fine-tuning** dei modelli, e non solo dalla scala[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Ad esempio, UL2 e T5-large hanno subito un pre-addestramento esteso su grandi corpus di dati, mentre ChatGPT è stato addestrato con rinforzo tramite feedback umano (RLHF), il che potrebbe aver consolidato la loro robustezza[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Al contrario, Vicuna è stato addestrato su un insieme di dati relativamente limitato (come replica open source), il che ha probabilmente determinato la sua elevata sensibilità alle variazioni di formulazione[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Questi risultati indicano che il miglioramento dei metodi di fine-tuning può aumentare l'affidabilità dei modelli più efficacemente del semplice aumento delle loro dimensioni. ### Influenza del formato del prompt Anche la forma di presentazione della richiesta influisce sull'affidabilità della risposta[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). È stato stabilito che i **prompt con esempi (few-shot) aumentano significativamente la robustezza** del modello rispetto alle istruzioni monopassaggio senza esempi (zero-shot)[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). La presenza di alcuni esempi dimostrativi del compito nel prompt aiuta il modello a interpretare correttamente l'istruzione anche in presenza di modifiche rumorose. I prompt con ruoli e quelli descrittivi (task-oriented) hanno mostrato un livello di robustezza complessivamente comparabile, sebbene la loro efficacia variasse da compito a compito[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Ad esempio, nei dati relativi all'analisi del sentiment e ai duplicati di frasi il formato con ruoli era leggermente più affidabile, mentre nei compiti di lettura e comprensione e di traduzione hanno funzionato meglio le istruzioni esplicite del compito[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Queste osservazioni possono servire da guida nella progettazione dei prompt: l'aggiunta di esempi dettagliati e del contesto del ruolo riduce la probabilità di errori del modello su formulazioni non standard. ### Trasferibilità degli attacchi tra modelli La trasferibilità degli attacchi tra modelli si è rivelata limitata[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). I prompt avversariali appositamente costruiti contro un modello non risultano sempre ugualmente efficaci contro un altro[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). È stato notato, ad esempio, che i prompt «trappola» generati per le vulnerabilità di ChatGPT influenzano molto meno GPT-4[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Quest'ultimo se la cavava meglio, probabilmente perché gli attacchi non si trasferivano direttamente sulla sua architettura — ciò che confonde un modello potrebbe non funzionare su un modello più avanzato con un addestramento diverso[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Tuttavia, alcuni tipi di distorsioni semplici (ad esempio, errori di battitura) avevano un effetto negativo su più modelli contemporaneamente, il che testimonia punti deboli simili nella loro base linguistica. ### Raccomandazioni pratiche Nel corso del lavoro PromptBench sono state identificate anche raccomandazioni pratiche per gli utenti e gli sviluppatori di LLM[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). La conclusione semplice è: la stabilità della formulazione è importante[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). È necessario **evitare errori di battitura e formulazioni approssimative nella richiesta**[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). Gli autori dimostrano che la correzione anche di piccoli errori (ortografia, maiuscole casuali, spazi superflui) può aumentare significativamente l'affidabilità della risposta del modello[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). Inoltre, **la scelta delle parole nell'istruzione influisce sulla sua robustezza**[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). L'analisi della frequenza dei termini nei prompt robusti vs. vulnerabili ha rivelato che alcune parole compaiono più spesso nei prompt «affidabili», mentre altre — in quelli dove il modello ha fallito[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). Ad esempio, i prompt contenenti parole come «acting», «provided», «detection» e simili portavano meno spesso a errori, mentre parole come «respond», «following» o «examine» comparivano nei casi più problematici[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). Ciò indica che un determinato stile e lessico delle richieste può attenuare o, al contrario, provocare le vulnerabilità del modello. In generale si raccomanda di formulare la richiesta nel modo **più chiaro, univoco e con termini familiari al modello** possibile, in particolare per le applicazioni di importanza critica[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). Un effetto collaterale interessante notato dai ricercatori riguarda l'impatto dell'aggiunta di frammenti di testo privi di senso o non pertinenti alla richiesta[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). È emerso che **l'inserimento di una sequenza casuale di caratteri** (ad esempio, «LKF0FZxMZ4») in fondo o nel mezzo del prompt può distogliere l'attenzione del modello e **ridurre la precisione della sua risposta**[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). D'altra parte, l'aggiunta di una frase neutrale ma grammaticalmente corretta (ad esempio, «and true is true» — «e il vero è vero») in alcuni casi al contrario **migliorava la risposta**, come se focalizzasse il modello sulle parti significative della domanda[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). Questo fenomeno sottolinea quanto in modo imprevedibile gli LLM reagiscano a dettagli dell'input apparentemente irrilevanti. Esso testimonia anche la complessità della struttura interna dei modelli: le minime modifiche del contesto possono sia compromettere che migliorare il loro funzionamento, a seconda di come si ridistribuisce l'attenzione del modello. ## Importanza e sviluppi futuri PromptRobust/PromptBench ha contribuito in modo significativo alla comprensione dell'affidabilità degli LLM[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). Il benchmark proposto e i dati raccolti sono aperti alla comunità: il codice e i set di prompt avversariali sono disponibili nel repository[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Ciò consente ad altri ricercatori di testare nuovi modelli sulla robustezza rispetto alle variazioni dei prompt e di confrontare i risultati[\[1\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-arxiv-main-1). Il passo successivo consiste nello sviluppo di metodi per proteggere i modelli da tali attacchi — ad esempio, algoritmi di addestramento migliorati che tengano conto di possibili errori di battitura e riformulazioni, oppure sistemi integrati di normalizzazione dell'input[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). PromptBench è già considerato una base per tali ricerche volte ad aumentare la **robustezza** (robustness) dei modelli linguistici rispetto a dati di input reali imprecisi[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2). In definitiva, il lavoro di Zhu e colleghi dimostra l'importanza di tenere conto della robustezza rispetto ai prompt nell'implementazione degli LLM nelle applicazioni pratiche: i modelli devono non solo mostrare un'elevata precisione su dati «puliti», ma anche mantenere la correttezza in presenza di deviazioni minori nell'input, siano esse errori casuali dell'utente o attacchi deliberati[\[2\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-towardsai-2)[\[4\]](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_note-cmu-realer-4). ## Riferimenti - Articolo originale PromptBench (arXiv) - Repository PromptBench su GitHub - Articolo «Prompt Robustness: How to Measure and How to Enhance» (Towards AI) ## Bibliografia - Liang, P. et al. (2022). *Holistic Evaluation of Language Models (HELM)*. arXiv:2211.09110. - Chang, Y. et al. (2023). *A Survey on Evaluation of Large Language Models*. arXiv:2307.03109. - Ni, S. et al. (2025). *A Survey on Large Language Model Benchmarks*. arXiv:2508.15361. - Biderman, S. et al. (2024). *The Language Model Evaluation Harness (lm-eval): Guidance and Lessons Learned*. arXiv:2405.14782. - Kiela, D. et al. (2021). *Dynabench: Rethinking Benchmarking in NLP*. arXiv:2104.14337. - Ma, Z. et al. (2021). *Dynaboard: An Evaluation‑As‑A‑Service Platform for Holistic Next‑Generation Benchmarking*. arXiv:2106.06052. - Goel, K. et al. (2021). *Robustness Gym: Unifying the NLP Evaluation Landscape*. arXiv:2101.04840. - Xu, C. et al. (2024). *Benchmark Data Contamination of Large Language Models: A Survey*. arXiv:2406.04244. - Liu, S. et al. (2025). *A Comprehensive Survey on Safety Evaluation of LLMs*. arXiv:2506.11094. - Chiang, W.-L. et al. (2024). *Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference*. arXiv:2403.04132. - Boubdir, M. et al. (2023). *Elo Uncovered: Robustness and Best Practices in Language Model Evaluation*. arXiv:2311.17295. - Huang, L. et al. (2023). *A Survey on Hallucination in Large Language Models*. arXiv:2311.05232. ## Note 1. ↑ [1.00](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-0) [1.01](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-1) [1.02](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-2) [1.03](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-3) [1.04](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-4) [1.05](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-5) [1.06](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-6) [1.07](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-7) [1.08](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-8) [1.09](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-9) [1.10](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-10) [1.11](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-11) [1.12](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-12) [1.13](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-13) [1.14](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-14) [1.15](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-15) [1.16](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-16) [1.17](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-17) [1.18](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-18) [1.19](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-19) [1.20](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-20) [1.21](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-21) [1.22](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-22) [1.23](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-23) [1.24](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-24) [1.25](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-25) [1.26](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-26) [1.27](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-27) [1.28](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-28) [1.29](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-29) [1.30](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-30) [1.31](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-31) [1.32](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-32) [1.33](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-33) [1.34](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-34) [1.35](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-main_1-35) «PromptBench: Towards Evaluating the Robustness of Large Language Models on Adversarial Prompts». *arXiv*. [1] 2. ↑ [2.00](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-0) [2.01](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-1) [2.02](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-2) [2.03](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-3) [2.04](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-4) [2.05](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-5) [2.06](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-6) [2.07](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-7) [2.08](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-8) [2.09](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-9) [2.10](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-10) [2.11](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-11) [2.12](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-12) [2.13](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-13) [2.14](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-14) [2.15](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-15) [2.16](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-16) [2.17](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-17) [2.18](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-18) [2.19](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-towardsai_2-19) «Prompt Robustness: How to Measure and How to Enhance». *Towards AI*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-abs_3-0) [3.1](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-abs_3-1) [3.2](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-abs_3-2) [3.3](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-arxiv-abs_3-3) «PromptRobust: Towards Evaluating the Robustness of Large Language Models on Adversarial Prompts». *arXiv*. [3] 4. [↑](https://systems-analysis.info/int/PromptRobust_(benchmark)_(IT)#cite_ref-cmu-realer_4-0) «Realer Toxicity Prompts (RTP-2.0): Multilingual and Adversarial Prompts for Evaluating Neural Toxic Degeneration in Large Language Models». *Language Technologies Institute - School of Computer Science - Carnegie Mellon University*. [4]