← Todas as notícias

IBM lança a linguagem de marcação LLMON e modelos de prévia Granite 4.1 LLMON: instruções e dados separados em blocos endereçáveis

A IBM publicou em 12 de novembro de 2026, no blog do Hugging Face, a linguagem de marcação LLMON e dois modelos de prévia experimentais baseados no Granite 4.1, alegando uma redução acentuada da taxa de sucesso de ataques em benchmarks de injeção indireta estática de prompts, como o OPI, mantendo capacidades gerais comparáveis ao Granite 4.1 Instruct.

Publicado Atualizado
Capa da notícia original — IBM lança a linguagem de marcação LLMON e modelos de prévia Granite 4.1 LLMON: instruções e dados separados em blocos endereçáveis
Capa da notícia originalNotícia original ↗

O que mudou

Segundo o blog do Hugging Face publicado pela IBM em 12 de novembro de 2026, a equipe lançou a linguagem de marcação LLMON (LLM Object Notation) e publicou dois modelos de prévia experimentais: granite-4.1-3b-LLMON-preview e granite-4.1-8b-LLMON-preview. Esses modelos partem de checkpoints base do Granite 4.1, e não dos modelos Instruct já lançados, e aprendem a ler e escrever LLMON durante a pós-formação. O blog explica a ideia: os templates de chat comuns apenas informam ao modelo a qual papel pertence determinado trecho, enquanto o LLMON especifica também o que é cada trecho e como eles se relacionam; em um turno de conversa, instruções, dados e restrições tornam-se blocos endereçáveis individualmente, e um bloco exec declara sobre qual dado qual instrução é executada, sob quais requisitos e para onde vai a saída. O LLMON usa seis delimitadores implementados como tokens especiais reservados, em vez de caracteres comuns como chaves e aspas, para marcar a estrutura; trechos não invocados por um bloco de execução servem apenas como material de leitura. O blog afirma que, no benchmark OPI, em relação ao melhor modelo de fronteira testado, o LLMON resistiu a 47% mais ataques, e em relação ao melhor modelo de código aberto, a 95% mais, e diz observar tendência semelhante no ASB e no StruQ; esses benchmarks medem injeção indireta estática de prompts. O blog também declara que se trata de um comportamento aprendido, não de uma regra garantida por imposição. Os modelos são lançados como prévia experimental, e o blog afirma explicitamente que não se destinam a ambientes de produção.

Impacto para desenvolvedores

Para os desenvolvedores, o que esta publicação muda não é tanto a escolha do modelo, mas a forma de construir as mensagens. Se adotarem o LLMON, cada componente do prompt precisa ser nomeado explicitamente e ter definido se está vinculado a um bloco de execução, o que na prática antecipa para o código da aplicação as convenções de papel que antes ficavam no system prompt. Há pelo menos dois efeitos na integração. Primeiro, os modelos de prévia LLMON já trazem template de chat, e basta montar a lista de messages e chamar apply_chat_template para renderizar os blocos LLMON; porém, a fonte não informa se frameworks de inferência e gateways de terceiros suportam esse template e os tokens reservados, e serviços próprios precisam verificar por conta própria a compatibilidade do tokenizer e do template. Segundo, o blog afirma que a maioria das equipes com pipelines baseados em JSON não precisa reescrever tudo: sua ferramenta de conversão faz ida e volta sem perdas entre JSON e LLMON, com tags personalizáveis, e depois é possível fazer fine-tuning de LoRA sobre o modelo LLMON. Isso significa que pipelines de dados estruturados existentes podem migrar de forma gradual, mas a equivalência após a conversão precisa ser verificada. Quanto ao custo de inferência, o blog afirma que os IDs de bloco vêm de um conjunto fixo que o tokenizer codifica como um único token, e que endereçar um bloco custa sempre dois tokens; isso é apenas a descrição da fonte sobre o custo de endereçamento, não indica redução do custo total de contexto. Em segurança, o ganho apresentado cobre apenas injeção estática, e o próprio texto diz que a resistência a ataques adaptativos ao longo de múltiplos turnos está em melhoria, justamente o formato mais comum de ameaça em loops de ferramentas de agentes. Para aplicações de RAG e de chamada de ferramentas que colocam documentos recuperados ou retornos de ferramentas diretamente no contexto, essa distinção merece avaliação separada; mas a fonte não traz detalhes de benchmarks gerais além da comparação com o Granite 4.1 Instruct.

Integração e avaliação

Sugestão 1: usar a taxa de sucesso de ataques de injeção indireta como critério de entrada para decidir se vale testar. A mudança central desta reportagem é separar explicitamente instruções e dados, de modo que trechos não invocados não funcionem como comandos. Uma opção é injetar um conjunto fixo de amostras de ataque nos prompts e dados recuperados do Granite 4.1 3B ou 8B atual e medir, no modelo Instruct original e na prévia LLMON, a taxa de sucesso dos ataques e a taxa de conclusão das tarefas nas mesmas amostras. Essa comparação só faz sentido quando a carga de trabalho inclui documentos, páginas web ou retornos de ferramentas externas que são concatenados ao contexto; se todas as entradas vêm de fontes confiáveis, a diferença mensurável de segurança pode ser pequena. Sugestão 2: tratar a adoção da vinculação exec como decisão de design na camada de aplicação. Uma opção é primeiro dividir o prompt atual, no Mellea ou na camada de template, em partes nomeadas como instruction, data e requirement, e então observar se o modelo executa conforme os blocos exec. O pré-requisito é ter um ambiente de avaliação que tolere reescrever o código de construção de prompts, com métricas como a taxa de acerto no mesmo conjunto de tarefas e a proporção de trechos irrelevantes arrastados para a resposta, comparadas ao original. O blog afirma que as capacidades gerais são comparáveis ao Granite 4.1 Instruct, mas isso precisa ser confirmado nas próprias tarefas e não deve ser tomado como conclusão. Sugestão 3: em casos que envolvem chamada de ferramentas ou loops de agentes, incluir ataques adaptativos de múltiplos turnos na avaliação. A fonte admite que os benchmarks atuais testam apenas injeção estática, então um bom desempenho em benchmarks estáticos não significa o mesmo resultado em ataques de múltiplos turnos; a métrica pode ser a taxa de execução quando instruções maliciosas são inseridas em retornos de ferramentas ao longo de vários turnos consecutivos. Tudo acima são análises e sugestões baseadas na fonte, não conclusões comprovadas.

Limites e pontos a confirmar

Os dois modelos de prévia LLMON ainda não aparecem no catálogo online do KimiSeek, e as descrições deste artigo sobre sua disponibilidade referem-se apenas ao lançamento do lado da IBM e do Hugging Face, não a este site. O blog os chama explicitamente de prévia experimental, não destinada a produção; a resistência à injeção de prompts é um comportamento aprendido no treinamento e, como os próprios autores enfatizam, não é garantida por imposição. As comparações divulgadas de resistência à injeção concentram-se em três benchmarks de injeção indireta estática de prompts — OPI, ASB e StruQ —, a resistência a ataques adaptativos de múltiplos turnos ainda está em melhoria, e a comparação de capacidades gerais é feita apenas com o Granite 4.1 Instruct. A fonte não informa os termos de licença, os requisitos de VRAM ou de implantação, o suporte de frameworks de inferência de terceiros nem preços de API; tudo isso precisa ser verificado antes da adoção.

Ilustrações da notícia original

Ilustração da notícia original 1 — IBM lança a linguagem de marcação LLMON e modelos de prévia Granite 4.1 LLMON: instruções e dados separados em blocos endereçáveis
Ilustração da notícia original 1Notícia original ↗
Ilustração da notícia original 2 — IBM lança a linguagem de marcação LLMON e modelos de prévia Granite 4.1 LLMON: instruções e dados separados em blocos endereçáveis
Ilustração da notícia original 2Notícia original ↗
Ilustração da notícia original 3 — IBM lança a linguagem de marcação LLMON e modelos de prévia Granite 4.1 LLMON: instruções e dados separados em blocos endereçáveis
Ilustração da notícia original 3Notícia original ↗

Três minutos até a primeira chamada

Crie uma conta e uma chave de API. O custo das chamadas é descontado do seu saldo. 30% de desconto na primeira recarga. Recarregue ¥500, pague ¥350, receba ¥500 de saldo. Recarregue ¥1000, pague ¥850, receba ¥1000 de saldo A recarga mínima continua sendo ¥10, adequada para testes.

Fontes e processo editorial

LLMON:一种面向 LLM 的原生标记语言,现已用于 Granite 4.1 3B 与 8B

A IA auxiliou a análise e a tradução das fontes citadas, seguidas de verificações automáticas. Recomendações não são resultados de testes. Consulte o catálogo atual para preços e disponibilidade.