BrowseSafe ನೊಂದಿಗೆ ಸುರಕ್ಷಿತ AI ಬ್ರೌಸರ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವುದು

ಇಂದು, ಎಜೆಂಟಿಕ್ ವೆಬ್‌ನಲ್ಲಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡುವಾಗ ಬಳಕೆದಾರರನ್ನು ಸುರಕ್ಷಿತವಾಗಿರಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ ಮುಕ್ತ ಸಂಶೋಧನಾ ಮಾನದಂಡ ಮತ್ತು ವಿಷಯ ಪತ್ತೆ ಮಾದರಿಯಾದ BrowseSafe ಅನ್ನು ನಾವು ಬಿಡುಗಡೆ ಮಾಡುತ್ತಿದ್ದೇವೆ.

AI ಸಹಾಯಕರು ಹುಡುಕಾಟ ಪೆಟ್ಟಿಗೆಗಳಿಂದ ಬ್ರೌಸರ್‌ಗೆ ಸ್ಥಳಾಂತರಗೊಳ್ಳುತ್ತಿದ್ದಂತೆ, ವೆಬ್‌ನ ಮುಂದಿನ ಪೀಳಿಗೆಯು ಪುಟಗಳಿಂದ ಎಜೆಂಟ್‌ಗಳಿಗೆ ಬದಲಾಗಲಿದೆ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ: ಮಾಹಿತಿಯು ಎಲ್ಲಿದೆ ಎಂಬುದಕ್ಕಿಂತ, ಅದನ್ನು ಯಾರು ಮರಳಿ ಪಡೆದು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಾರೆ ಎಂಬುದು ಮುಖ್ಯವಾಗುತ್ತದೆ. Comet ಬ್ರೌಸರ್ ಅನ್ನು ಸಹಾಯಕನು ಕೇವಲ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುವುದಲ್ಲದೆ, ಕಾರ್ಯಗಳನ್ನು ಪೂರೈಸುವ ಸ್ಥಳವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಒಂದು ತತ್ವವು ರಾಜಿ ಮಾಡಿಕೊಳ್ಳಲಾಗದು: ಅದು ಯಾವಾಗಲೂ ಬಳಕೆದಾರರ ಪರವಾಗಿರಬೇಕು.

BrowseSafe: ರಿಯಲ್‌ಟೈಮ್ ವಿಷಯ ಸ್ಕ್ಯಾನಿಂಗ್ ಮೂಲಕ ಎಜೆಂಟ್‌ಗಳು ಮತ್ತು ಬಳಕೆದಾರರ ರಕ್ಷಣೆ

BrowseSafe ಎನ್ನುವುದು ಒಂದೇ ನಿರ್ದಿಷ್ಟ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡಲಾದ ಪತ್ತೆ ಮಾದರಿಯಾಗಿದೆ: ಪುಟದ HTML ಅನ್ನು ನೀಡಿದರೆ, ಅದು ಎಜೆಂಟ್ ಅನ್ನು ಗುರಿಯಾಗಿಸಿಕೊಂಡು ದುರುದ್ದೇಶಪೂರಿತ ಸೂಚನೆಗಳನ್ನು ಹೊಂದಿದೆಯೇ? ದೊಡ್ಡ ಸಾಮಾನ್ಯ-ಉದ್ದೇಶದ ಮಾದರಿಗಳು ಈ ಪ್ರಕರಣಗಳ ಬಗ್ಗೆ ಚೆನ್ನಾಗಿ ತಾರ್ಕಿಕವಾಗಿ ಯೋಚಿಸಬಲ್ಲವು, ಆದರೆ ಪ್ರತಿ ಪುಟದಲ್ಲಿ ಚಾಲನೆ ಮಾಡಲು ಅವು ಸಾಮಾನ್ಯವಾಗಿ ತುಂಬಾ αργ ಮತ್ತು ದುಬಾರಿಯಾಗಿದೆ. BrowseSafe ಬ್ರೌಸರನ್ನು ನಿಧಾನಗೊಳಿಸದೆ ನೈಜ ಸಮಯದಲ್ಲಿ ಪೂರ್ಣ ವೆಬ್ ಪುಟಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತದೆ. ರಕ್ಷಣೆಯ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಮತ್ತು ಸುಧಾರಿಸಲು ನಾವು BrowseSafe‑Bench ಮೌಲ್ಯಮಾಪನ ಸೂಟ್ ಅನ್ನು ಸಹ ಸಂಪನ್ಮೂಲವಾಗಿ ಬಿಡುಗಡೆ ಮಾಡುತ್ತಿದ್ದೇವೆ.

ಟ್ರಸ್ಟ್ ಬೌಂಡರಿಗಳು ಮತ್ತು ಪದರಗಳ ರಕ್ಷಣೆಗಳು

ಆದಾಗ್ಯೂ, AI ಬ್ರೌಸಿಂಗ್‌ನ ಹೊಸ ಪೀಳಿಗೆಯು ಸೈಬರ್‌ ಭದ್ರತಾ ಬೆದರಿಕೆಗಳ ಹೊಸ ಪೀಳಿಗೆಯನ್ನು ಸಹ ಸೂಚಿಸುತ್ತದೆ, ಇದು ಬಳಕೆದಾರರನ್ನು ಸುರಕ್ಷಿತವಾಗಿರಿಸಲು ಹೊಸ ವಿಧಾನಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ. ಹಿಂದಿನ ಪೋಸ್ಟ್‌ನಲ್ಲಿ, ವೆಬ್‌ಸೈಟ್ ಪ್ರಾಂಪ್ಟ್ ಇಂಜೆಕ್ಷನ್ ಮೂಲಕ ಅದನ್ನು ಹೈಜಾಕ್ ಮಾಡಲು ಪ್ರಯತ್ನಿಸಿದರೂ ಸಹ, ಬಳಕೆದಾರರು ಕೇಳಿದ್ದನ್ನು ಸಹಾಯಕನು ಮಾಡುವುದನ್ನು ಮುಂದುವರಿಸಲು Comet ಬಹು ರಕ್ಷಣಾ ಪದರಗಳನ್ನು ಹೇಗೆ ಬಳಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ವಿವರಿಸಿದ್ದೇವೆ. ಇಂದು ನಾವು ಆ ಸಮಸ್ಯೆಯನ್ನು ಹೇಗೆ ಎದುರಿಸುತ್ತೇವೆ ಎಂಬುದರ ಮೇಲೆ ಗಮನ ಹರಿಸುತ್ತಿದ್ದೇವೆ: ಆ ಬೆದರಿಕೆಗಳನ್ನು ಹೇಗೆ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ, ನೈಜ-ಪ್ರಪಂಚದ ದಾಳಿಗಳ ವಿರುದ್ಧ ಹೇಗೆ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಬ್ರೌಸರ್‌ನಲ್ಲಿ ಸುರಕ್ಷಿತವಾಗಿ ಚಾಲನೆ ಮಾಡಲು ವೇಗವಾಗಿ ಕೆಟ್ಟ ಸೂಚನೆಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ನಿಲ್ಲಿಸಲು ವಿಶೇಷ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಅವುಗಳನ್ನು ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ.

ಬ್ರೌಸರ್ ಪ್ರಾಂಪ್ಟ್ ಇಂಜೆಕ್ಷನ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ

ಪ್ರಾಂಪ್ಟ್ ಇಂಜೆಕ್ಷನ್ ಎಂಬುದು AI ಓದುವ ಪಠ್ಯದಲ್ಲಿ ಎಂಬೆಡ್ ಮಾಡಲಾದ ದುರುದ್ದೇಶಪೂರಿತ ಭಾಷೆಯಾಗಿದ್ದು, ಇದು ಅದರ ಮೂಲ ಉದ್ದೇಶವನ್ನು ಮೀರಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಬ್ರೌಸರ್‌ನಲ್ಲಿ, ಎಜೆಂಟ್‌ಗಳು ಸಂಪೂರ್ಣ ಪುಟಗಳನ್ನು ಓದುತ್ತವೆ, ಆದ್ದರಿಂದ ದಾಳಿಗಳು ಕಾಮೆಂಟ್‌ಗಳು, ಟೆಂಪ್ಲೇಟ್‌ಗಳು ಅಥವಾ ಉದ್ದವಾದ ಫೂಟರ್‌ಗಳಂತಹ ಸ್ಥಳಗಳಲ್ಲಿ ಅಡಗಿಕೊಳ್ಳಬಹುದು.

ದಾಳಿಕಕೋರರು ಎಜೆಂಟ್ ಅನ್ನು ನಿಶ್ಯಬ್ದವಾಗಿ ಬೇರೆಡೆಗೆ ತಿರುಗಿಸುವ ಸೂಚನೆಗಳನ್ನು ನುಸುಳಲು ಆ ಸ್ಥಳಗಳನ್ನು ಬಳಸುತ್ತಾರೆ. ಇದು ಪ್ರತಿಯೊಬ್ಬರಿಗೂ ಗಮನಕ್ಕೆ ಬಾರದ ವಿಷಯ ಸೇರಿದಂತೆ ಎಲ್ಲವನ್ನೂ ಓದುವ ಕಾರಣದಿಂದಾಗಿ, ಬಲವಾದ ಸುರಕ್ಷತೆಗಳಿಲ್ಲದೆ ಆ ಸಂದೇಶಗಳು ನಡವಳಿಕೆಯನ್ನು ಹೈಜಾಕ್ ಮಾಡಬಹುದು.

ಈ ದಾಳಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಪಷ್ಟ ನುಡಿಗಟ್ಟುಗಳನ್ನು ತಪ್ಪಿಸುತ್ತವೆ ಮತ್ತು ಪಾಲಿಶ್ ಮಾಡಿದ ಅಥವಾ ಬಹುಭಾಷಾ ಪಠ್ಯದಲ್ಲಿ ಬರೆಯಲ್ಪಡಬಹುದು, ಅಥವಾ ಬ್ರೌಸರ್‌ಗಳು ಗೋಚರವಾಗಿ ರೆಂಡರ್ ಮಾಡದ ಆದರೆ ಎಜೆಂಟ್‌ಗಳು ಇನ್ನೂ ಪಾರ್ಸ್ ಮಾಡುವ ಡೇಟಾ ಗುಣಲಕ್ಷಣಗಳು ಅಥವಾ ಫಾರ್ಮ್ ಕ್ಷೇತ್ರಗಳಂತಹ ಪರದೆಯ ಮೇಲೆ ಎಂದಿಗೂ ಕಾಣಿಸದ HTML ಅಂಶಗಳಲ್ಲಿ ಇರಿಸಲ್ಪಡುತ್ತವೆ.

BrowseSafe-Bench: ನೈಜ-ಪ್ರಪಂಚದ ಪರಿಸರದಲ್ಲಿ ಎಜೆಂಟ್ ಭದ್ರತೆಯನ್ನು ಮುನ್ನಡೆಸುವುದು

ನೈಜ ವೆಬ್‌ನಂತೆ ಕಾಣುವ ಸೆಟ್ಟಿಂಗ್‌ನಲ್ಲಿ ಈ ದಾಳಿಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು, ನಾವು BrowseSafe ಅನ್ನು ನಿರ್ಮಿಸಿದ್ದೇವೆ, ಇದು ನಾವು ತರಬೇತಿ ನೀಡಿ ಮುಕ್ತ ಮೂಲವಾಗಿಸಿದ ಪತ್ತೆ ಮಾದರಿಯಾಗಿದೆ, ಮತ್ತು ಪ್ರೊಡಕ್ಷನ್ ಪುಟಗಳನ್ನು ಅನುಕರಿಸುವ 14,719 ಉದಾಹರಣೆಗಳ ಸಾರ್ವಜನಿಕ ಮಾನದಂಡವಾದ BrowseSafe‑Bench ಅನ್ನು ನಿರ್ಮಿಸಿದ್ದೇವೆ. ಇದು ಸಂಕೀರ್ಣ HTML, ಗೊಂದಲಮಯ ವಿಷಯ, ಮತ್ತು ಮೂರು ಅಕ್ಷಗಳಲ್ಲಿ ಬದಲಾಗುವ ದುರುದ್ದೇಶಪೂರಿತ ಮತ್ತು ಹಾನಿಕರವಲ್ಲದ ಮಾದರಿಗಳ ಮಿಶ್ರಣವನ್ನು ಒಳಗೊಂಡಿದೆ: ದಾಳಿಕೋರರು ಏನು ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಾರೆ, ಸೂಚನೆಯು ಪುಟದಲ್ಲಿ ಎಲ್ಲಿ ಕುಳಿತುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಭಾಷೆಯನ್ನು ಹೇಗೆ ಬರೆಯಲಾಗಿದೆ.

ಈ ಮಾನದಂಡವು 11 ದಾಳಿ ಪ್ರಕಾರಗಳನ್ನು, ಗುಪ್ತ ಕ್ಷೇತ್ರಗಳಿಂದ ಗೋಚರಿಸುವ ಪ್ಯಾರಾಗ್ರಾಫ್‌ಗಳು ಮತ್ತು ಫೂಟರ್‌ಗಳನ್ನು ವ್ಯಾಪಿಸಿರುವ ಒಂಬತ್ತು ಇಂಜೆಕ್ಷನ್ ತಂತ್ರಗಳನ್ನು, ಮತ್ತು ಸ್ಪಷ್ಟ ಆಜ್ಞೆಗಳಿಂದ ಹಿಡಿದು ಪರೋಕ್ಷ, ಮರೆಮಾಚಿದ ಪಠ್ಯದವರೆಗೆ ಮೂರು ಭಾಷಾ ಶೈಲಿಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.

ಆಳವಾದ ರಕ್ಷಣೆಯ ವಿಧಾನ

ನಮ್ಮ ಬೆದರಿಕೆ ಮಾದರಿಯಲ್ಲಿ, ಸಹಾಯಕನು ಸ್ವತಃ ವಿಶ್ವಾಸಾರ್ಹ ವಾತಾವರಣದಲ್ಲಿ ವಾಸಿಸುತ್ತಾನೆ, ಆದರೆ ವೆಬ್‌ನಿಂದ ಬರುವ ಯಾವುದೇ ವಿಷಯವು ಅವಿಶ್ವಾಸಾರ್ಹವಾಗಿರುತ್ತದೆ. ದಾಳಿಕೋರರು ಸಂಪೂರ್ಣ ಸೈಟ್‌ಗಳನ್ನು ನಿಯಂತ್ರಿಸಬಹುದು ಅಥವಾ ಉತ್ಪನ್ನ ವಿವರಣೆಗಳು, ಕಾಮೆಂಟ್‌ಗಳು ಮತ್ತು ಪೋಸ್ಟ್‌ಗಳಂತಹ ವಿಷಯವನ್ನು ಸಹಾಯಕ ಭೇಟಿ ನೀಡುವ ಹಾನಿಕರವಲ್ಲದ ಪುಟಗಳಿಗೆ ಇಂಜೆಕ್ಟ್ ಮಾಡಬಹುದು. ಆ ಅಪಾಯವನ್ನು ನಿರ್ವಹಿಸಲು, ವೆಬ್ ಪುಟಗಳು, ಇಮೇಲ್‌ಗಳು ಅಥವಾ ಫೈಲ್‌ಗಳಂತಹ ಅವಿಶ್ವಾಸಾರ್ಹ ವಿಷಯವನ್ನು ಹಿಂತಿರುಗಿಸగల ಸಾಧನಗಳನ್ನು ಗುರುತಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಎಜೆಂಟ್ ಅವುಗಳನ್ನು ಓದುವ ಅಥವಾ ಅವುಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಮೊದಲು ಅವುಗಳ ಕಚ್ಚಾ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಯಾವಾಗಲೂ BrowseSafe ನಿಂದ ಸ್ಕ್ಯಾನ್ ಮಾಡಲಾಗುತ್ತದೆ.

BrowseSafe ಎನ್ನುವುದು ವಿಶಾಲವಾದ ರಕ್ಷಣಾ ವಿಧಾನದಲ್ಲಿ ಒಂದು ಪದರವಾಗಿದೆ. ಬಳಕೆಗೆ ಮೊದಲು ಕಚ್ಚಾ ವಿಷಯವನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಲಾಗುತ್ತದೆ, ಉಪಕರಣದ ಅನುಮತಿಗಳನ್ನು ಪೂರ್ವನಿಯೋಜಿತವಾಗಿ ಮಿತಿಗೊಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಬ್ರೌಸರ್ ಭದ್ರತಾ ವೈಶಿಷ್ಟ್ಯಗಳ ಮೇಲೆ ಸೂಕ್ಷ್ಮ ಕ್ರಿಯೆಗಳಿಗೆ ಸ್ಪಷ್ಟವಾದ ಬಳಕೆದಾರರ ದೃಢೀಕರಣದ ಅಗತ್ಯವಿರುತ್ತದೆ. ಆಳವಾದ ರಕ್ಷನೆಯು ಬಳಕೆದಾರರಿಗೆ ಸಾಮರ್ಥ್ಯಕ್ಕಾಗಿ ಸುರಕ್ಷತೆಯನ್ನು ಬಿಟ್ಟುಕೊಡದೆ ಶಕ್ತಿಯುತ ಬ್ರೌಸರ್ ಸಹಾಯಕರನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ದಾಳಿಯ ಪರಿಣಾಮಕಾರಿತ್ವದ ಮೇಲೆ ಯಾವುದು ಪ್ರಭಾವ ಬೀರುತ್ತದೆ?

BrowseSafe‑Bench ಮೇಲಿನ ಮೌಲ್ಯಮಾಪನ ಫಲಿತಾಂಶಗಳು ಸ್ಪಷ್ಟ ಮಾದರಿಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. ಸಹಾಯಕ ತನ್ನ ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬಹಿರಂಗಪಡಿಸಲು ಕೇಳುವುದು ಅಥವಾ URL ವಿಭಾಗಗಳ ಮೂಲಕ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯುವಂತೆ ಕೇಳುವುದರಂತಹ ನೇರ ದಾಳಿಗಳು ಮಾದರಿಗಳಿಗೆ ಹಿಡಿಯಲು ಸುಲಭವಾದವುಗಳಲ್ಲಿ ಸೇರಿವೆ. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಬಹುಭಾಷಾ ದಾಳಿಗಳು ಮತ್ತು ಪರೋಕ್ಷ ಅಥವಾ ಊಹಾತ್ಮಕ ಸೂಚನೆಗಳಾಗಿ ಬರೆಯಲಾದ ದಾಳಿಗಳು ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗಿವೆ, ಏಕೆಂದರೆ ಅವುಗಳು ಅನೇಕ ಡಿಟೆಕ್ಟರ್‌ಗಳು ಸೂಚ್ಯವಾಗಿ ಅವಲಂಬಿಸಿರುವ ಸ್ಪಷ್ಟ ಕೀವರ್ಡ್‌ಗಳನ್ನು ತಪ್ಪಿಸುತ್ತವೆ.

ಸ್ಥಳವೂ ಮುಖ್ಯವಾಗಿದೆ. ಕಾಮೆಂಟ್‌ಗಳಲ್ಲಿ ಮರೆಮಾಡಲಾದ ದಾಳಿಗಳನ್ನು ತುಸು ಚೆನ್ನಾಗಿ ಪತ್ತೆಹಚ್ಚಲಾಗುತ್ತದೆ, ಆದರೆ ಗೋಚರಿಸುವ ಫೂಟರ್‌ಗಳು, ಟೇಬಲ್ ಕೋಶಗಳು ಅಥವಾ ಇನ್‌ಲೈನ್ ಪ್ಯಾರಾಗ್ರಾಫ್‌ಗಳಲ್ಲಿ ಮರುಬರೆಯಲಾದ ಆವೃತ್ತಿಗಳು ಹೆಚ್ಚು ಕಷ್ಟಕರವೆಂದು ಸಾಬೀತುಪಡಿಸುತ್ತವೆ, ಇದು “ಗುಪ್ತ” ಇಂಜೆಕ್ಷನ್‌ಗಳ ಕಡೆಗೆ ರಚನಾತ್ಮಕ ಪಕ್ಷಪಾತವನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ. ಉತ್ತಮವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಉದಾಹರಣೆಗಳ ಕುರಿತು ಎಚ್ಚರಿಕೆಯ ತರಬೇತಿಯು ಈ ಮಾದರಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಮಾದರಿಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ.

BrowseSafe ನೊಂದಿಗೆ ಸುರಕ್ಷಿತ ಎಜೆಂಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಿ

BrowseSafe ಮತ್ತು BrowseSafe-Bench ಸಂಪೂರ್ಣವಾಗಿ ಮುಕ್ತ ಮೂಲವಾಗಿದೆ. ಸ್ವಾಯತ್ತ ಎಜೆಂಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಯಾವುದೇ ಡೆವಲಪರ್ ಪ್ರಾಂಪ್ಟ್ ಇಂಜೆಕ್ಷನ್ ವಿರುದ್ಧ ತಮ್ಮ ಸಿಸ್ಟಮ್‌ಗಳನ್ನು ತಕ್ಷಣವೇ ಗಟ್ಟಿಗೊಳಿಸಬಹುದು - ಮೊದಲಿನಿಂದ ಸುರಕ್ಷತಾ ರೇಲ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಅಗತ್ಯವಿಲ್ಲ. ಓಪನ್-ವೆಯ್ಟ್ ಪತ್ತೆ ಮಾದರಿಯು ಸ್ಥಳೀಯವಾಗಿ ಚಾಲನೆಗೊಳ್ಳುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ಎಜೆಂಟ್‌ನ ಪ್ರಮುಖ ತರ್ಕವನ್ನು ತಲುಪುವ ಮೊದಲು ದುರುದ್ದೇಶಪೂರಿತ ಸೂಚನೆಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ, ಬಳಕೆದಾರರನ್ನು ನಿಧಾನಗೊಳಿಸದೆ ಪ್ರತಿ ಪುಟವನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಲು ಇದು ಸಾಕಷ್ಟು ವೇಗವಾಗಿದೆ.

ಸಾಮಾನ್ಯ LLMಗಳನ್ನು ಮುರಿಯುವ ಗೊಂದಲಮಯ HTML ಬಲೆಗಳ ವಿರುದ್ಧ ನಿಮ್ಮ ಸ್ವಂತ ಮಾದರಿಗಳನ್ನು ಒತ್ತಡ-ಪರೀಕ್ಷಿಸಲು BrowseSafe-Bench ನ 14,000+ ನೈಜ-ಪ್ರಪಂಚದ ದಾಳಿಯ ದೃಶ್ಯಗಳನ್ನು ಬಳಸಿ. ನಮ್ಮ ಚಂಕಿಂಗ್ ಮತ್ತು ಸಮಾನಾಂತರ ಸ್ಕ್ಯಾನಿಂಗ್ ತಂತ್ರಗಳು ಎಜೆಂಟ್‌ಗಳಿಗೆ ಬೃಹತ್, ಅವಿಶ್ವಾಸಾರ್ಹ ಪುಟಗಳನ್ನು ಸಮರ್ಥವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತವೆ - ಬಳಕೆದಾರರನ್ನು ಅಪಾಯಕ್ಕೆ ಸಿಲುಕಿಸದೆ ಶಕ್ತಿಯುತ ಬ್ರೌಸಿಂಗ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ. ನಾವು BrowseSafe ಮತ್ತು BrowseSafe-Bench ಅನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಿದ್ದೇವೆ ಎಂಬುದರ ಕುರಿತು ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಲು, Perplexity Research ಬ್ಲಾಗ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ.