Skip to content

Translation in progress Some entries still include text in the original language.

Oct 13 · Tuesday

All papers

Found 22 papers

Another 201papers do not have category tags yet and are not included in filtered results.

  1. AttacksarXiv 2610.06670

    研究者提出 Reward Stealing Attack,从对齐模型行为反推安全奖励实施攻击

    提出 ReSA,从对齐模型行为恢复安全奖励并在解码时反转

    Published
    Evaluated models
    Llama3.1-8B-Instruct, Gemma-7B-Instruct, Qwen2.5-7B-Instruct and others9
    AbstractReSA 用最大熵 IRL 从对齐模型行为恢复代理安全奖励,并在解码时反转以诱导有害输出。

    ReSA 是一种对抗攻击:从对齐模型的可观察行为恢复代理安全奖励,再在解码时把该奖励反过来用。。

    Paper analysisRead analysis
  2. AttacksarXiv 2610.05601

    Tracer 框架可从遗忘后的扩散模型中识别被擦除概念

    提出 TRACER,从权重差识别扩散模型被擦除概念

    Published
    Attacker
    White-box
    Evaluated models
    Stable Diffusion v1.5, Stable Diffusion 3, FLUX.1 and others5
    AbstractTRACER 用权重足迹识别未披露擦除概念并估计个数,作者称数秒内完成且准确率高于对照。

    TRACER 针对的是遗忘扩散模型上的目标识别:提供者从公开基座 W 用已发表方法擦掉未知集合 S⋆,只发布 W′。攻击者还有假定包含这些概念的词表,但不知擦了谁、擦了几个、用了什么算法。

    Paper analysisRead analysis
  3. AttacksarXiv 2610.03166

    LiBRA:通过双向隐空间优化实现检测感知的图像水印去除

    提出 LiBRA,在潜空间双向优化以规避图像水印双侧检测

    Published
    Attacker
    White-box
    Evaluated models
    Stable Signature, YU1, HiDDeN and others4

    AbstractLiBRA 用双向潜空间优化规避双侧水印检测,并提高相对反转基线的保真。

    Paper analysisRead analysis
  4. AttacksarXiv 2610.03124

    研究提出 Untag 攻击框架,使开源大模型触发标签滥用检测机制失效

    提出 UNTAG,绕过开源权重模型的 trigger-tag 滥用检测

    Published
    Evaluated models
    Llama2 (7B), Llama3 (8B), Qwen2.5 (7B)
    Abstract作者用 UNTAG 评估 trigger-tag,认为其不能充当开放权重滥用检测的主要边界。

    UNTAG 是针对开放权重 LLM 上条件滥用检测 trigger-tag 的统一攻击评估:信号可以在解码期注入,也可以写进权重,但攻击者若能改输出或改已发布权重,检测可以失效。

    Paper analysisRead analysis
  5. AttacksarXiv 2608.29458

    Reference-Grafting 在提取沙袋行为隐藏能力上追平微调

    提出参考嫁接,在推理阶段用激活干预诱导沙袋隐藏能力

    Published
    Attacker
    White-box
    Evaluated models
    Qwen2.5-1.5B, Qwen2.5-3B, Qwen2.5-14B and others15

    Abstract提出参考嫁接在推理阶段以低成本匹配微调诱导效果,揭示隐瞒表征重叠与阈值门控机制。

    Paper analysisRead analysis
  6. DefensesarXiv 2607.14737

    GeoDetect:面向视觉语言预训练模型的几何对抗检测方法

    提出 GeoDetect 以几何分数检测视觉语言预训练模型的对抗样本

    Published
    Attacker
    White-box
    Evaluated models
    CLIPViT (ViT-B/16), CLIPCNN (ResNet-50), ALBEF and others4
    AbstractGeoDetect 用几何分数检测 VLP 对抗样本。

    GeoDetect 是面向视觉-语言预训练模型的对抗样本检测方法,用嵌入几何而不是任务 logits 区分干净样本与对抗样本。

    Paper analysisRead analysis
  7. AttacksarXiv 2605.08513

    Apple 研究者发现抑制单个神经元即可绕过 LLM 安全对齐

    提出单神经元激活干预,抑制拒答神经元或放大概念神经元以绕过安全对齐

    Published
    Attacker
    White-box
    Evaluated models
    Qwen3-1.7B, Qwen3-4B, Qwen3-8B and others11

    Abstract作者称大模型安全由拒答门控与概念底座构成,干预单个神经元足以双向击穿对齐,且拒答神经元在预训练阶段已然存在。

    Paper analysisRead analysis
  8. AttacksarXiv 2602.10134

    Reverse-Engineering Model Editing on Language Models

    提出 KSTER,从模型编辑的参数差恢复被擦除知识

    Published
    Attacker
    White-box
    Evaluated models
    Llama3-8B-Instruct, GPT-J (6B), Qwen2.5-7B-Instruct
    AbstractKSTER 从 locate-then-edit 的权重差恢复主体与提示词。

    KSTER 是针对 locate-then-edit 的白盒逆向框架,并配有子空间伪装防御。

    Paper analysisRead analysis
  9. AttacksarXiv 2602.05444

    Causal front-door adjustment for robust jailbreak attacks on LLMs

    Proposes CFA2, using SAE to locate defense directions and orthogonalizing output weights to achieve jailbreak

    Published
    Attacker
    White-box
    Evaluated models
    Llama 3.1 8B Instruct, Llama2 7B Chat, Mistral 7B Instruct and others4
    Paper analysisRead analysis
  10. AttacksarXiv 2601.18110

    AttenMIA: Membership Inference Attacks on LLMs Using Attention Signals

    提出 AttenMIA,用注意力信号做白盒成员推断

    Published
    Attacker
    White-box
    Evaluated models
    LLaMA-13B, LLaMA-30B, Pythia-6.9B and others12
    AbstractAttenMIA 用白盒注意力做成员推断,作者称在低假阳性下优于输出类基线。

    AttenMIA 是面向开源权重 LLM 的白盒、reference-free 成员推断:读内部注意力,而不是只看输出置信度,判断样本是否在训练集中。

    Paper analysisRead analysis