Another 213papers do not have category tags yet and are not included in filtered results.
提出回答端后门，让模型自生成触发词以在干净有害请求下绕过拒答
Abstract论文提出了多轮对话中回答端自生成触发词绕过安全拒绝的后门攻击，指出输入端防护存在盲区。
评测多轮对话中 GradSafe 越狱检测的可分性与脆弱性
作者评估梯度越狱检测从单条提示词迁到多轮对话后还剩多少可分性，方法是用 Context Window Scanner 把 GradSafe 原封不动地套到用户轮窗口上。
用词级归因指导同义词替换，翻转提示注入检测并验证越狱
Abstract作者称检测靠分散的词法线索。
提出条件触发的爆炸提示词，并设计摄入期检测器 DeFuse
论文针对大语言模型智能体面临的间接提示注入威胁，研究了利用条件句式实现时间分离的爆炸提示词。
提出 MAFIA，以探测放置与事实伪装对带审计 Agent 做查询式记忆投毒
提出 PaperGuard，用图文注入与梯度扰动抬高自动审稿分数并检测恶意指令
PaperGuard同时评测并检测多模态 AI 审稿中的评分操纵。
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。
构建 MultiTurnPSB，评测四轮医疗越狱与分类器输入防御
MultiTurnPSB 针对患者端医疗大模型在持续交互中的安全风险，构建了包含三种攻击模态的四轮对抗评测基准。
提出 SilentRetrieval，以语义保持对抗文档投毒劫持 RAG 检索与生成
SilentRetrieval 是针对 RAG 的两阶段语料投毒，在每查询一篇、合成目标答案的统一协议下，同时处理检索劫持、生成操纵和流畅度。
Propose a structured JSON backdoor that triggers malicious actions in robot control via a poisoned LoRA
Abstract推理层后门传不到执行。
Using ADVERSA to measure guardrail degradation and reviewer reliability under multi-turn attacks
ADVERSA is an automated multi-turn red-teaming measurement framework that records guardrail behavior as per-turn compliance trajectories and simultaneously measures whether reviewers agree. The problem it addresses: single-turn binary pass/fail cannot show how safety properties change under sustained adversarial pressure, nor can it separate gradual refusal consolidation from stable scores. The authors argue that real-world adversaries rewrite and persist over multiple turns.
提出查询无关黑盒攻击 DQ-A，用可迁移文末后缀降低文档检索排名
DQ-A 是一种 query-agnostic、complete black-box 的文档隐藏攻击，对象是用最后隐层相似度匹配的 LLM 检索。
提出多轮多模态越狱，并用 FragGuard 拦截有害响应
提出 EmoRAG，向查询与知识库注入同一表情以劫持 RAG 检索
EmoRAG 测量 RAG 对符号扰动的反应：同一表情同时出现在查询和库文本里时，检索会偏离语义匹配。作者要检查的是，检索是否真由语义相关性决定。
提出 MFA 框架，协同突破视觉语言模型的对齐、提示与审核层
Abstract作者称多层防御的 VLM 仍存在跨模型漏洞，MFA 整合三项技术实现了端到端越狱。
提出四种阶段转换攻击，绕过推理模型的安全推理护栏