Another 232papers do not have category tags yet and are not included in filtered results.
提出流匹配逆向框架，从多向量视觉文档索引重构页面
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
提出控制标记注入，清空工具 Agent 的思维链以绕过推理监控
Abstract论文阐明控制标记注入可抑制 CoT 使监控失效并促成拒绝绕过，且工具执行受解析器宽容度影响。
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
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。
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。。
提出 PMA，用流形对齐从 E2EO 混淆向量恢复明文
Proposes SHAQ, which replaces document embeddings with shadow query embeddings to defend against embedding inversion.
SHAQ is a defense against EIA for cloud vector databases: instead of directly modifying document embeddings, it replaces them with shadow query embeddings.
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。
提出 RolePlay 框架，用人设条件放大 LLM 单次推理开销
提出嵌入推断攻击 EIA，在黑盒 IR 中识别所用嵌入模型
EIA 是在黑盒 IR 上识别所用嵌入模型的攻击。。
提出针对 Agent 护栏的推理扩展拒绝服务攻击
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。。
提出层级遗传算法 HGA，扰动题目逻辑结构诱发推理模型过度思考
AbstractHGA 在黑盒推理模型上用逻辑扰动拉长输出，作者称可从小代理迁移，查询成本是其局限。