IBM veröffentlicht LLMON-Auszeichnungssprache und Granite-4.1-LLMON-Vorschaumodelle: Anweisungen und Daten als adressierbare Blöcke
IBM hat am 12. November 2026 in einem Hugging-Face-Blogbeitrag die Auszeichnungssprache LLMON sowie zwei experimentelle Vorschaumodelle auf Basis von Granite 4.1 vorgestellt. Laut Blog senken sie auf statischen indirekten Prompt-Injection-Benchmarks wie OPI die Erfolgsquote von Angriffen deutlich, während die allgemeinen Fähigkeiten mit Granite 4.1 Instruct vergleichbar seien.

Was sich geändert hat
Laut einem am 12. November 2026 veröffentlichten Hugging-Face-Blogbeitrag von IBM hat das Team die Auszeichnungssprache LLMON (LLM Object Notation) eingeführt und die beiden experimentellen Vorschaumodelle granite-4.1-3b-LLMON-preview und granite-4.1-8b-LLMON-preview veröffentlicht. Diese Modelle gehen von Granite-4.1-Basis-Checkpoints aus, nicht von den bereits veröffentlichten Instruct-Modellen, und erlernen in der Post-Training-Phase das Lesen und Schreiben von LLMON. Der Blog erläutert den Ansatz so: Herkömmliche Chat-Templates teilen dem Modell nur mit, zu welcher Rolle ein Abschnitt gehört; LLMON kennzeichne zusätzlich, was jeder Abschnitt ist und wie die Abschnitte zusammenhängen. Anweisungen, Daten und Einschränkungen einer Konversationsrunde werden jeweils zu separat adressierbaren Blöcken, und ein exec-Block legt fest, welche Anweisung auf welchen Daten ausgeführt wird, welchen Anforderungen sie unterliegt und wohin die Ausgabe geschrieben wird. LLMON verwendet sechs als reservierte spezielle Token implementierte Begrenzer statt gewöhnlicher Zeichen wie geschweifter Klammern und Anführungszeichen, um Struktur zu markieren; Abschnitte, die nicht von einem Ausführungsblock aufgerufen werden, dienen nur als Lesematerial. Laut Blog wehrte LLMON im OPI-Benchmark im Vergleich zum besten getesteten Frontier-Modell 47 Prozent mehr Angriffe ab und im Vergleich zum besten Open-Source-Modell 95 Prozent mehr; bei ASB und StruQ sei ein ähnlicher Trend zu beobachten. Diese Benchmarks messen statische indirekte Prompt-Injection. Der Blog betont zugleich, dass es sich um erlerntes Verhalten handelt und nicht um eine erzwungene Garantie. Die Modelle erscheinen als experimentelle Vorschau und sind laut Blog ausdrücklich nicht für den Produktiveinsatz geeignet.
Auswirkungen für Entwickler
Für Entwickler ändert diese Veröffentlichung weniger die Modellauswahl als vielmehr die Art, wie Nachrichten konstruiert werden. Wer LLMON einsetzt, muss jeden Bestandteil eines Prompts explizit benennen und angeben, ob er an einen Ausführungsblock gebunden ist; damit wandern Rollenkonventionen, die früher im System-Prompt steckten, vorab in den Anwendungscode. Für die Integration gibt es mindestens zwei Punkte. Erstens bringen die LLMON-Vorschaumodelle ein eigenes Chat-Template mit; eine messages-Liste wie gewohnt aufzubauen und apply_chat_template aufzurufen genügt, um LLMON-Blöcke zu rendern. Ob Drittanbieter-Inferenzframeworks und Gateways dieses Template und die reservierten Token unterstützen, sagt die Quelle jedoch nicht; selbst betriebene Dienste müssen die Kompatibilität von Tokenizer und Template selbst prüfen. Zweitens schreibt der Blog, dass die meisten Teams ihre JSON-basierten Pipelines nicht neu schreiben müssen: Das Konvertierungswerkzeug könne verlustfrei zwischen JSON und LLMON umwandeln, Tags seien anpassbar, und anschließend lasse sich per LoRA auf LLMON-Modellen feinjustieren. Das bedeutet, dass für bestehende strukturierte Datenpipelines eine schrittweise Migration möglich erscheint, die Äquivalenz nach der Konvertierung aber selbst überprüft werden muss. Zu den Inferenzkosten schreibt der Blog, Block-IDs stammten fest aus einer Menge, die ein Tokenizer als einzelnes Token kodiert, sodass das Adressieren eines Blocks stets zwei Token kostet; das beschreibt nur den Adressierungsaufwand laut Quelle und bedeutet nicht, dass die gesamten Kontextkosten sinken. Zur Sicherheit decken die im Blog genannten Vorteile nur statische Injection ab; laut eigener Aussage wird die Abwehr gegen adaptive Angriffe über mehrere Runden hinweg noch verbessert, und genau diese Angriffsform ist in Agenten-Tool-Schleifen häufiger anzutreffen. Für RAG- und Tool-Calling-Anwendungen, die abgerufene Dokumente oder Tool-Rückgaben direkt in den Kontext einfügen, verdient diese Unterscheidung eine eigene Bewertung; die Quelle liefert jedoch außer dem Vergleich mit Granite 4.1 Instruct keine Details zu allgemeinen Benchmarks.
Integration und Bewertung
Empfehlung eins: Ob ein Test sinnvoll ist, sollte von der Erfolgsquote indirekter Injection-Angriffe abhängen. Die entscheidende Änderung in diesem Bericht ist die explizite Trennung von Anweisung und Daten und dass nicht aufgerufene Abschnitte nicht als Befehl gelten. Eine mögliche Vorgehensweise: In die Prompts und abgerufenen Daten der bestehenden Granite-4.1-3B- oder -8B-Modelle eine feste Sammlung von Angriffsbeispielen einspeisen und sowohl das ursprüngliche Instruct-Modell als auch die LLMON-Vorschau testen; Messgrößen sind die Angriffserfolgsquote und die Aufgabenabschlussrate auf derselben Stichprobe. Sinnvoll ist dieser Vergleich, wenn die Arbeitslast externe Dokumente, Webseiten oder Tool-Rückgaben enthält, die in den Kontext eingefügt werden; stammen alle Eingaben aus vertrauenswürdigen Quellen, kann der messbare Sicherheitsunterschied gering sein. Empfehlung zwei: Die Einführung der exec-Bindung sollte als Entwurfsentscheidung auf Anwendungsebene behandelt werden. Eine mögliche Vorgehensweise: Zunächst in Mellea oder auf Template-Ebene bestehende Prompts in benannte Teile wie instruction, data und requirement zerlegen und dann prüfen, ob das Modell entsprechend den exec-Blöcken ausführt. Voraussetzung ist eine Evaluierungsumgebung, in der sich das Umschreiben des Prompt-Konstruktionscodes verkraften lässt; Messgröße ist, ob die Antwortgenauigkeit und der Anteil irrelevanter Abschnitte, die in Antworten gezogen werden, auf derselben Aufgabenmenge gleich gut oder besser sind als in der Vorversion. Der Blog nennt die allgemeinen Fähigkeiten mit Granite 4.1 Instruct vergleichbar, was jedoch an den eigenen Aufgaben überprüft werden sollte und nicht als Schlussfolgerung übernommen werden darf. Empfehlung drei: Bei Tool-Calling oder Agenten-Schleifen sollten mehrrundige adaptive Angriffe in die Evaluierung einbezogen werden. Die Quelle räumt ein, dass die aktuellen Benchmarks nur statische Injection messen; gute Ergebnisse dort bedeuten daher nicht dasselbe für mehrrundige Angriffe. Als Messgröße lässt sich die Ausführungsrate festlegen, wenn über mehrere aufeinanderfolgende Tool-Rückgaben hinweg schädliche Anweisungen eingeschleust werden. All dies sind Analysen und Empfehlungen auf Basis der Quelle, keine bereits belegten Schlussfolgerungen.
Grenzen und offene Fragen
Die beiden LLMON-Vorschaumodelle erscheinen derzeit nicht im Online-Katalog von KimiSeek; die Angaben zur Verfügbarkeit in diesem Artikel beziehen sich nur auf die Veröffentlichung seitens IBM und Hugging Face und nicht auf diese Seite. Der Blog bezeichnet sie ausdrücklich als experimentelle Vorschau, die nicht für den Produktiveinsatz geeignet ist; die Abwehr von Prompt-Injection ist erlerntes Verhalten und laut den Autoren selbst keine erzwungene Garantie. Die veröffentlichten Vergleiche zur Injection-Abwehr konzentrieren sich auf drei statische indirekte Prompt-Injection-Benchmarks (OPI, ASB, StruQ); die Abwehr gegen mehrrundige adaptive Angriffe wird noch verbessert, und der Vergleich der allgemeinen Fähigkeiten bezieht sich nur auf Granite 4.1 Instruct. Die Quelle nennt weder Lizenzbedingungen noch VRAM- oder Bereitstellungshürden noch die Unterstützung durch Drittanbieter-Inferenzframeworks und erwähnt auch keine API-Preise; all dies muss vor einer Adoption selbst geprüft werden.
Abbildungen aus dem Originalbericht


