IBM entrena dos modelos pequeños Granite para separar instrucciones y datos frente a la inyección de prompts
IBM publicó el 12 de noviembre dos modelos experimentales bajo licencia Apache 2.0, Granite 4.1 3B y 8B LLMON-preview, entrenados para interpretar prompts estructurados donde cada instrucción se vincula explícitamente a los datos que procesa. En las pruebas de inyección indirecta citadas por IBM, la tasa de éxito de los ataques cae del 53-100% a un rango de entre el 0,02% y el 5,6%. IBM advierte: se trata de un comportamiento aprendido, no de una garantía, y aún no está listo para producción.

La inyección indirecta de prompts es la vulnerabilidad que acecha a los agentes de IA: una instrucción oculta en una página web, en un documento o en el resultado de una herramienta, que el modelo ejecuta como si procediera del usuario. El problema radica en el modo en que los modelos interpretan su contexto: para ellos todo es texto, sin una frontera clara entre lo que deben hacer y lo que solo deben leer. IBM propone trazar esa línea divisoria en el propio formato del prompt y ha publicado el 12 de noviembre dos modelos experimentales para ponerlo a prueba: Granite 4.1 3B y 8B LLMON-preview, bajo licencia Apache 2.0.
El principio: una instrucción apunta a sus datos
LLMON («LLM Object Notation») se asemeja a XML, con una diferencia clave: sus delimitadores son seis tókenes reservados del vocabulario, que un texto ordinario no puede generar. Cada fragmento del prompt se convierte en un bloque identificado: instrucción, datos, restricciones, documentos, definiciones y resultados de herramientas. Un bloque final, exec, funciona como una llamada a una función: indica qué instrucción ejecutar, sobre qué entradas y dónde escribir la respuesta. Según la ficha del modelo, la regla aprendida es sencilla: lo que se designa como instrucción tiene autoridad; todo lo que llega como entrada se lee sin ejecutarse, «independientemente de cómo esté formulado». El desarrollador no redacta este etiquetado a mano: clasifica las partes de un mensaje (instrucción, datos, requisitos) y la plantilla suministrada realiza la conversión.
IBM logró este comportamiento mediante posentrenamiento, sin alterar la arquitectura: un corpus de 4,6 mil millones de tókenes en formato LLMON, complementado con señuelos (instrucciones y datos presentes en el contexto pero no designados), seguido de cinco fases de aprendizaje por refuerzo y una última etapa de optimización sobre pares de respuestas del modelo ante intentos de inyección.
Las cifras anunciadas
| Prueba (tasa de éxito de los ataques) | 3B antes | 3B LLMON | 8B antes | 8B LLMON |
|---|---|---|---|---|
| OPI (inyección en datos textuales) | 100% | 0,1% | 96,3% | 0,02% |
| ASB (inyección en el resultado de una herramienta) | 99,2% | 5,6% | 52,8% | 3,1% |
Fuente: artículo de investigación de IBM, comparativa con los modelos Granite 4.1 Instruct del mismo tamaño.
El impacto en las capacidades generales parece reducido, aunque no nulo. En la ficha del modelo 3B, las puntuaciones se mantienen cercanas a las de la versión Instruct en conocimientos (MMLU 68,05 frente a 67,02), en seguimiento de instrucciones (IFEval 81,02 frente a 82,30) y en llamadas a herramientas (BFCL v3 60,71 frente a 60,80), pero retroceden en razonamiento en MMLU-Pro (46,08 frente a 49,83) y en interpretación de código en CRUXEval-O (32,75 frente a 40,75).
Las limitaciones señaladas por IBM
IBM es tajante: la separación es un comportamiento aprendido, no una garantía. Reduce drásticamente, sin eliminarlo por completo, el riesgo de que se acate una orden camuflada en los datos, y no debe constituir la única protección de un agente que acceda a sistemas sensibles. Las pruebas citadas evalúan inyecciones estáticas; los ataques adaptativos, que se desarrollan a lo largo de varios turnos de conversación, siguen en fase de estudio. Los modelos requieren el formato LLMON (un prompt tradicional degrada sus respuestas) y se presentan como una versión previa pensada para la evaluación, no para entornos de producción. Por último, la comparativa con modelos cerrados («un 47% más de ataques evitados» respecto al mejor modelo de vanguardia analizado) no especifica de qué modelos se trata.
Nuestro análisis
La propuesta amplía una práctica ya consolidada: los formatos de conversación ya diferencian roles (sistema, usuario, herramienta). La novedad de IBM consiste en bajar un nivel más, dentro del propio mensaje, y enlazar cada instrucción con sus datos mediante un identificador, del mismo modo que un programa transfiere argumentos a una función. Las diferencias registradas son espectaculares en ataques estáticos, pero ese es precisamente el escenario más accesible; un atacante real adapta su carga útil. Para un equipo que desarrolle un agente encargado de leer páginas web o correos electrónicos, LLMON representa sobre todo una vía de exploración que conviene evaluar en casos de uso propios, combinándola con las defensas habituales: permisos mínimos para el agente, validación humana en acciones críticas y filtrado de las salidas. La verdadera prueba de fuego llegará si este enfoque se traslada de modelos de 3 y 8 mil millones de parámetros a arquitecturas de mayor escala, o si otros laboratorios adoptan un estándar equivalente.
Fuentes
- Hugging Face (blog de IBM Granite) — LLMON: An LLM-Native Markup Language, now in Granite 4.1 3B and 8B (12 de noviembre de 2026) Fuente primaria
- Hugging Face — ficha del modelo ibm-granite/granite-4.1-3b-llmon-preview Fuente primaria
- arXiv — Post-Training Large Language Models with LLMON (IBM Research, texto íntegro, sección 5.2) Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.


