Another 201papers do not have category tags yet and are not included in filtered results.
提出 ACTR，只更新安全思考神经元以对齐推理与回答的安全类别
构建 TriggerBench 并训练 ThinkingGuard，检测图文隐式风险
这篇工作研究多模态隐式风险检测：图文各自良性，风险只在关键元素与触发元素交互时出现。
提出用 API 推理摘要重建轨迹再蒸馏加强化学习，攻破蒸馏防御
这篇工作修订蒸馏攻击的威胁模型：攻击者经合法 API 收集闭源推理数据，先蒸馏自有模型，再做强化学习。作者认为只在蒸馏后评估防御，会漏掉后续 RL，从而高估防御。
提出 EOPSA，用 TRR 截断与安全类过滤做在策略自蒸馏安全对齐
提出推理通道预填与输出前缀组合攻击以越狱推理模型
分析量化、剪枝与 KV 缓存压缩对推理模型越狱鲁棒性的影响
作者分析量化、剪枝和 KV 缓存压缩如何同时改变 LRM 的显存、推理和越狱脆弱性。。
提出 ARIA，在冻结权重上用 SAE 做推理时遗忘门控
提出任意字母置换密码越狱，无需微调即可诱导有害输出
Abstract前沿大模型无需微调即可通过提示词学会字母置换密码，进而绕过分类器与对齐，作者呼吁关注能力提升带来的安全风险。
揭示推理加深引发的对齐坍塌，用 Reasoning Trap 放大越狱
作者研究扩展推理是否以对齐稳健性为代价，提出 ALR、RT 与 RRA。。
利用加密思维块的跨模型重放，诱导弱模型逐字转写专有推理链
Abstract论文揭示了客户端加密思维块跨模型互换漏洞，提出了低成本提取方法并给出防御方案。
Proposes composite jailbreaks, stacking contrast structure, authoritative persona, and self-evaluation to saturate the instruction hierarchy
提出多流扰动攻击，交织有害与良性任务绕过思考型 LLM 安全对齐
多流扰动攻击把有害任务与良性任务织进同一提示词，测试 thinking 模式的内容安全与推理稳定性。作者认为，交织多任务会拉长思考，使安全检测面对被打散的有害意图，并可能把推理用于合理化，或陷入崩溃与重复。方法不访问梯度。
提出 VROP，把有害意图拆成良性视觉 gadget 越狱视觉语言模型
VROP是 black-box 多模态越狱框架：不在输入中放显式恶意触发，而把有害目标拆成语义正交的良性视觉 gadget，再用控制流提示词把合成留到后期推理。
提出 Staged Decoding 与指令跟随训练，减少推理轨迹隐私泄露
本文把大推理模型的隐私问题做成轨迹可控性：隐私指令是指令，轨迹不跟随就会把敏感上下文写进可被提示注入导出的文本。
Proposes SafeThink, an inference-time defense that monitors the chain of thought and injects a redirect prefix when it falls below a threshold.
提出推理时框架 STaR，抑制大推理模型推理轨迹中的敏感内容
STaR在推理阶段约束大推理模型的整段 CoT，使指定 forget set 中的敏感内容不出现在中间步骤或最终答案里，且不更新参数。问题来自 LRM 会把敏感知识写进多步推理，而答案级遗忘在 ZeroThink、LessThink 等解码下仍可能泄漏。STaR 先判断查询是否相关并检索遗忘片段，再加安全前缀。
提出视觉推理序列攻击 VRSA，以图像序列越狱多模态大模型
提出多轮在线骚扰 Agent 基准，评测记忆、规划与微调越狱
提出四种阶段转换攻击，绕过推理模型的安全推理护栏