Another 240papers do not have category tags yet and are not included in filtered results.
提出 StegoMemory，评测智能体持久记忆作为跨会话隐写信道
Abstract研究揭示智能体持久记忆可作为隐蔽信道跨会话传输机密，写入持久化是主要防御瓶颈，呼吁建立记忆完整性防御。
提出 CollageAttack，用空间文本碎片重组越狱文生图模型
Abstract系统揭示 T2I 跨模态空间合成安全漏洞，证实离散无害元素可在图像层面重构有害意图并放大传播强度。
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。
提出 DIVA，将有害意图拆成视觉锚点与运动文本以越狱视频生成模型
DIVA 是针对带参考图的视频生成模型的免训练 black-box 越狱：用一致性机制本身堵住语义漂移这条安全逃逸路径。。
提出 SinoGlyphBench，用配对字形混淆诊断中文审核稳定性
SinoGlyphBench是一个配对诊断基准，用来看内容审核在可还原的中文字形混淆下是否还保持原决定。
提出 RoguePrompt 双层编码自重构越狱，绕过 LLM 审核
提出 LogInject 框架，评测日志分析中的被动提示注入及缓解
Abstract论文评估了 LLM 日志分析中的上下文污染风险，提出分片拼接等攻击与三层防御，指出必须结合架构隔离与人工介入。
提出 OTTER 词元替换越狱，绕过表面毒性审核诱导有害回答
Abstract论文展示了表面毒性与恶意意图的解耦现象，通过标准 API 实现黑盒越狱测试，并提出闭环分类器加固建议。
提出针对 Agent 护栏的推理扩展拒绝服务攻击
提出 HPAA 攻击，用排版视觉线索绕过内容审核系统
这篇论文研究了人类视觉感知与大模型分词处理机制之间的差异所导致的内容审核漏洞。
提出 DSR 跨模态越狱，用无害图文诱导 MLLM 生成有害图像
DSR 是一种 black-box 跨模态越狱：输入侧不放显式有害内容，而让商业 MLLM 在推理中把无害图文重组成有害图像。
提出 CITA 三阶段框架，生成可绕过毒性检测器的中文隐式毒性文本
提出多图越狱框架 DMN，把有害意图拆进图像序列绕过安全护栏
提出 JailAgent，不改用户提示，经推理劫持与记忆投毒操纵 Agent 动作
JailAgent 是不修改用户原始提示词的 LLM 智能体红队框架。
Proposes LAAF, which automatically attacks LPCI vulnerabilities in agent systems in stages
The authors state that LAAF is an automated red-teaming framework built specifically for LPCI in agentic LLMs. The issue to address is that encoded, delayed, and conditionally triggered payloads can persist in memory or RAG and re-enter across sessions, whereas Garak and PyRIT do not use the previous round's breakthrough results to seed the next stage across the six stages.
Propose TFM, using start and end frames and implicit substitution to jailbreak text-to-video models
TFM is a strictly black-box prompt jailbreak for text-to-video that exploits the model's temporal infilling of unspecified intermediate processes.
提出 AST-ASIP ，把对抗指令植入编译器忽略区域以劫持代码评分
这篇工作把自动代码评分中的失败称为 Compliance Paradox：评分模型可以离开提交逻辑，转而执行嵌在可编译代码里的隐藏指令。
提出 SpatialJB，用二维版式打散有害输出以绕过输出护栏
提出 MacPrompt 跨语言字符重组越狱，绕过文生图模型的过滤与概念移除