LLM09: Vector and Embedding Weaknesses · 2026
La geometría de embeddings y búsqueda por similitud permite fugas entre tenants, inversión, envenenamiento, bloqueo de recuperación o manipulación de cachés.
Resumen
La geometría de embeddings y búsqueda por similitud permite fugas entre tenants, inversión, envenenamiento, bloqueo de recuperación o manipulación de cachés.
Cómo funciona el ataque
La búsqueda por similitud no filtra por tenant; recupera un documento de otra organización y lo incorpora a la respuesta.
Ejemplo
Vulnerable · Pseudocódigohits = vectors.search(embed(query))
reply = llm(query, context=hits)
# Sin autorización de tenant ni documentoCorrección: Aplicar alcance de tenant y autorización de documentos dentro de la consulta; autenticar fuentes de ingestión.
Prevención
- Aplicar alcance de tenant dentro de la consulta.
- Autenticar fuentes y versionar cada embedding.
- No exponer puntuaciones brutas y monitorizar anomalías.
Linaje
- 2025 · LLM08: Vector and Embedding Weaknesses Baja al puesto 9 en 2026
- 2026 · LLM09: Vector and Embedding Weaknesses Baja desde el puesto 8
- 2025:LLM08 → 2026:LLM09: Vector and Embedding Weaknesses baja del puesto 8 al 9.