Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Defenses and guardrails · Papers
Found 15 papers提出 Safety-Aware Pruning，缓解视觉 token 剪枝放大的多模态越狱
- Published
- Evaluated models
- LLaVA-1.5-7B
Abstract剪枝去掉背景 token 后注意力塌向恶意前景。
这篇工作评估视觉 token 剪枝如何改变 VLM 在多模态越狱下的行为，并给出推理时防御 SAP。
测量有损投机解码的安全代价，并提出 SecureSD 收紧早期验证
- Published
- Evaluated models
- Qwen3-8B, Qwen3-32B, Llama-3.1-8B-Instruct and others6
Abstract有损推测解码的早期偏离更快抬高越狱与注入风险。
作者研究有损推测解码在换取速度时，是否会比效用更快地损害越狱与提示注入防护，并给出按位置校正的 SecureSD。
提出审计感知遗忘框架 AVCE，从文本与视觉通路擦除扩散模型概念
- Published
- Evaluated models
- Stable Diffusion XL (SDXL), Stable Diffusion v1.5 (SD v1.5), Flux 1.0
AbstractAVCE 在审计锚点上改两条注意力通路。
AVCE 是面向扩散模型的概念擦除方法，要让擦除经得起绕过文本条件的潜空间审计，而不只是挡住对抗提示词。
提出 Target-free LAT，用无目标多方向潜干预做对抗安全对齐以抵御越狱
- Published
- Evaluated models
- Qwen2.5-7B-Instruct, Llama-3-8B-Instruct, Mistral-7B-Instruct-v0.2
AbstractTarget-free LAT 用无目标多方向潜干预扩大行为覆盖，作者称能提高越狱鲁棒性并保住效用。
Target-free LAT 是一种不监督有害输出的潜空间对抗对齐。它要处理的问题是：现有 LAT 每步大多只造一种有害行为，对不上真实越狱里的直接遵从、角色扮演、编码和多语言等模式。
提出 Persona Guardrail，强制客服智能体守住功能边界
- Published
- Evaluated models
- Qwen3-30B-A3B, Qwen3-VL-30B, Qwen3-8B and others5
AbstractPersona Guardrail 用功能边界做同步输入输出校验，并在 PAGE 与生产延迟预算下给出评测。
Persona Guardrail 是客服向智能体的同步运行时防御：先写明功能边界，再决定放行或拦截，而不是只检测某一攻击类。
提出收缩约束 SSM 安全头，认证嵌入扰动并检测越狱
- Published
- Evaluated models
- ToySSMClassifier, S4 safety head
Abstract收缩给出玩具 LTI 的有界认证。
给 SSM 安全头一个收缩条件，并在越狱检测上使用收缩正则的 S4 头。。
提出 DART，用去噪表征转移检测多轮智能体攻击并注入提醒
- Published
- Evaluated models
- Qwen3-8B, Qwen3-14B, Qwen3-32B and others6
提出 SafeMol，联合对齐分子多模态模型的文本与图输入
- Published
- Evaluated models
- Omni-Mol v2, ReactXT, SafeMol
AbstractSafeMol 用 MMD 和双分类头对齐分子多模态模型，在 Omni-Mol v2 上压低图条件攻击成功。
SafeMol 研究分子多模态模型在危险分子相关请求上的安全对齐，并同时看过拒和任务效用。
提出 SRD-GUARD，以语义改写与多模型联合评分拦截包装式越狱
- Published
- Evaluated models
- Llama-3-8B-Uncensored, DeepSeek-V4-Flash
提出 ReSO ，对齐潜在道德表征以提升越狱条件下的安全泛化
- Published
- Evaluated models
- Qwen3-8B, Qwen3-14B, Qwen3-32B and others17
AbstractReSO 重组道德分类的潜在关系。
ReSO 把对齐目标从偏好回答改成道德分类的潜在关系。。
提出 SEAL，在 MoE 共享专家上做 DPO-LoRA 对齐以抵御越狱与权重篡改
- Published
- Evaluated models
- Qwen1.5-MoE-A2.7B, DeepSeekMoE-16B, GLM-4.7-Flash and others4
AbstractSEAL 把 DPO-LoRA 限制在混合 MoE 共享专家上，SEAL++再保护已有安全神经元方向。
SEAL是面向混合 MoE 的训练时防御：只对齐始终执行的共享专家，使安全不依赖路由器是否把 token 送到安全专家。
把批量提示当作越狱攻击，提出 batch-aware DPO 缓解
- Published
- Evaluated models
- Llama-3.1-8B, Phi-4-14B, Qwen-3-8B and others6
Abstract有害问题混入良性 batch 可引出有害回答。
这篇工作检查一种本用于省推理成本的输入结构：把多个问题一次送进对齐后的 LLM，安全拒答是否还和单问时一样。
提出 CodeSpear 越狱，借语法约束解码生成恶意代码，并给出 CodeShield 防御
- Published
- Evaluated models
- Qwen2.5-Coder-7B, Qwen2.5-Coder-32B, Qwen2.5-7B and others10
Abstract论文发现语法约束解码会破坏自然语言安全对齐，提出 CodeSpear 越狱攻击与基于蜜罐代码对齐的 CodeShield 防御。
提出 FoodGuardBench 与护栏 FoodGuard-4B，评测并降低食品危害越狱
- Published
- Evaluated models
- Claude-3.7-Sonnet, GPT-4o, GPT-4.1 and others10
提出多轮多模态越狱，并用 FragGuard 拦截有害响应
- Published
- Evaluated models
- LLaVa-1.6 (7B), LLaVa-1.6 (13B), Qwen-2-7B and others5
You have reached the end