研究显示 VLA 模型文本护栏漏检隐含危害指令
评测文本守卫与激活探针能否拦住机器人隐含伤害指令
- arXiv
- 2610.05818
- Published
- Layer
- Prompt layer
- Evaluated models
- π0.5, OpenVLA-OFT, Llama Guard 3 and others10
- RiskDangerous agent actions
- ComponentGuardrails and judges
Another 233papers do not have category tags yet and are not included in filtered results.
评测文本守卫与激活探针能否拦住机器人隐含伤害指令
遮挡审计 AdvWave-P 音频越狱的频带必要性与解码层关联
这是对加性音频越狱 AdvWave-P 的频率与解码器深度审计,受害模型主要是 Qwen2-Audio-7B-Instruct,不提出新攻击。
提出 plan injection 攻击,植入良性伪装计划以绕过思维链监视器
Abstract论文指出模型会将外部上下文中的伪装计划改写为自身推理,使思维链监视器失效甚至反向合理化恶意行为。
评估安全监视器并提出双侧梯级微调以减少会答有害请求的漏检
Abstract论文发现安全监视器大多拦截模型已拒答请求,指出明确度偏差是共性原因,并通过双侧梯级微调提升回答请求的召回表现。
提出隐蔽后门攻击 AKRASIA,在推理代码模型提示中植入触发器并伪装思维链
Abstract论文针对推理代码大模型提出了隐蔽推断期后门攻击 AKRASIA,揭示了模型思维链可被利用进行欺骗性伪装的安全隐患。
提出 ARENA 音频红队框架,自动构造文本安全且音频接地的越狱输入
提出 SpeechJBB,评测语码转换语音下音频语言模型的越狱稳健性
SpeechJBB 用合成语音测量 LALM 在五语、语码转换和局部伪词混淆下的安全对齐,并另设口语理解对照。
构造可通过计费审计的 token 虚报,使服务商系统性超收
不透明 LLM 的按 token 计费里,现有审计核验的是提供方可控的证据,不诚实提供方可以虚报并通过检查。。
提出 CodecAttack,在编解码器隐空间构造可穿透有损压缩的对抗音频
提出声学干扰攻击 AIA,用良性音频潜语义越狱音频语言模型
提出 AudioHijack,用不可感知对抗音频对语音模型做上下文无关提示注入
Abstract提出了 AudioHijack 框架,揭示了 LALM 对听觉提示注入的脆弱性与传统防御的局限。
提出音频叙事越狱,以嗓音投递风格绕过端到端语音模型拒答
提出 SOUNDBREAK,用仅音频共享对抗扰动使三模态模型答错
提出 StyleBreak 风格化音频越狱,利用语音属性绕过音频语言模型对齐
提出 MULTI-AUDIOJAIL,以多语多口音和声学扰动越狱音频模型
Abstract黑盒多语多口音音频加声学扰动可抬高 LALM 的 JSR,文本示范防御并非在每个模型上都下降。
提出 Jailbreak-AudioBench 评测音频语言模型的音频编辑越狱