Dil modelleri uzun bir sohbet boyunca sistem istemleri, geçmiş turlar, araç yanıtları, kullanıcı verileri ve çıktıyı sınırlayan koşulları aynı bağlamda taşıyor. Bu bileşenlerin çoğu model için örtük kalıyor ya da modeller için tasarlanmamış JSON gibi biçimlerde kodlanıyor. Geliştiriciler, bu belirsizliğin küçük modelleri kırılganlaştırdığını ve saldırganlara istem enjeksiyonu için kapı araladığını belirterek LLMON (LLM Object Notation, okunuşu "lemon") adlı işaretleme dilini geliştirdi.
LLMON, anlamca bir arada olan bileşenleri etiketlerle işaretliyor ve bu etiketleri özel token sınırlayıcılarıyla sarıyor. Böylece yapı ile içerik sözlüğün ayrı bölümlerinde yer alıyor. Her bloğa verilen kimlik, bağlamın herhangi bir yerindeki bir talimatın hangi veriye uygulanacağını açıkça belirtmeyi sağlıyor; bu, programlamada fonksiyona argüman geçirmeye benzetiliyor.
Granite 4.1 temel modellerinden türetilen iki deneysel önizleme modeli yayımlandı: granite-4.1-3b-LLMON-preview ve granite-4.1-8b-LLMON-preview. LLMON ile çalışmaya yönelik araç takımını ve örnek iş akışlarını içeren bir GitHub deposu da paylaşıldı.
Açıklamaya göre modeller, kullanıcı verisine gizlenen dolaylı istem enjeksiyonlarını talimat ile verinin ayrı tutulması sayesinde büyük ölçüde yok sayıyor. OPI kıyaslamasında LLMON modelleri saldırıların %47'sini, test edilen en iyi sınır modeline kıyasla daha fazla savuşturuyor; en iyi açık kaynak modele göre bu oran %95'e çıkıyor. Benzer eğilimlerin ASB ve StruQ kıyaslamalarında da görüldüğü aktarılıyor. Bu testlerin statik saldırıları ölçtüğü, çok turlu uyarlanabilir saldırılar üzerinde de çalışıldığı belirtiliyor.
Güvenlik kazanımları genel yetenekten ödün vermiyor; LLMON modelleri standart kıyaslama kategorilerinde Granite 4.1 Instruct modelleriyle başabaş performans sergiliyor. Modeller, mevcut sohbet şablonlarının yerine geçmiyor, onları zenginleştiriyor: şablon hangi parçanın hangi role ait olduğunu söylerken LLMON her bileşenin ne anlama geldiğini ve diğerleriyle nasıl ilişkilendiğini belirtiyor. JSON belgelerini kayıpsız biçimde LLMON'a çeviren araçlar da pakete dahil.
Bu adım, IBM'in açık ağırlıklı küçük modeller hattını güvenlik tarafına doğru genişletmesi olarak okunabilir. Şirket, 3 Kasım'da da Palette modelini LoRA ile eğiterek sunum üretimi kıyaslaması PresentBench'te üç alanın ikisinde birinci sıraya taşımıştı.
