Another 213papers do not have category tags yet and are not included in filtered results.
提出 OPUR 攻击，用似然梯度优化对抗后缀越狱 LLM 智能体
提出 PEV 攻击，在输入嵌入上加高斯噪声越狱开源模型
PEV 是对 open-weight LLM 的 embedding 噪声越狱。
提出危害窗口与区间指标，统一评测分解攻击和提示注入下的智能体滥用监视
Abstract统一智能体滥用监视框架，动作视角兼顾两类威胁但危害定位仍存瓶颈。
提出 DART，用去噪表征转移检测多轮智能体攻击并注入提醒
提出免训练框架 SED，将有害智能体轨迹蒸馏为可检索安全策略
提出 RLCDAlignBench，零样本检测多种对齐失败
RLCDAlignBench 测量用强化学习做校准决策的 Jev，能否当作对齐失败的零样本检测器。
提出闭环自适应红队框架 CART，评测模型与 Agent 的安全失败
CART 把自动红队从一次清单式打分，改成带预算、可追溯的闭环搜索。
系统梳理智能体执行链路中的越狱攻击与防御并比较推理时防御
Mia 等人把越狱安全从单轮回复扩展到智能体的规划、记忆、工具和智能体间通信，并问既有结论在更强原生对齐下是否还成立。
为冻结模型与目标域自动搜索可部署的 Agent 安全 harness
提出 SafeEvolve，用轨迹证据协同演化安全 harness 与策略
SafeEvolve 把已完成的 on-policy 轨迹变成安全 harness 的有界更新，并用两阶段 SFT-RL 把这些更新内化进工具使用策略。
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
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。
提出 SN-Guided Diffusion，利用安全神经元实现离线越狱
论文系统评估了扩散大语言模型（DLLM）在安全对齐中的双重角色——既作为白盒攻击目标，又作为黑盒越狱生成的对抗工具。
训练自博弈红队智能体 GPT-Red，规模化生成提示注入与越狱攻击
提出 AHA 自动科研循环，发现生产 Agent 的可复用漏洞概念
AHA 是一项针对生产级 LLM 智能体自动化红队测试的研究，旨在解决传统方法仅保留具体攻击载荷而缺乏成因解释、导致跨版本复用困难且无法指导修复的问题。
提出 SMT 框架，用模拟审核轨迹越狱函数调用 LLM
提出 CFD 跨会话分解攻击，利用工件来源缺口绕过工具型 Agent 的本地检查
CFD针对工具型 LLM 智能体：利用 artifact 来源不被跟踪这一部署失败模式，把有害目标拆开后延迟组合。
提出 HMNS，通过注意力头掩码与零空间注入实现机制级越狱
提出 CoT Forgery，经用户消息或工具输出注入伪造推理
作者把提示注入解释成角色感知失败：标签划出的权限没有进入模型的内部几何。
提出 LODO 评测恶意提示探针的跨数据集泛化
LODO 用来检查恶意提示词分类器换成没见过的数据集后，还剩多少检测能力。。
Proposes ShallowJail, which achieves jailbreaks by rewriting hidden states with steering vectors at inference time