Another 265papers do not have category tags yet and are not included in filtered results.
提出 VERA，审计 LLM 漏洞解释里的虚构推理
系统评估循环语言模型加深 loop 后的 CoT 可监控性
这项工作评估 LoopLM 的 CoT 可监测性：加深共享层的重复次数，以及“有循环结构”本身，会不会让决策关键因素更少出现在可监测文本里。
构建编码 RL 奖励作弊测试台 CATCH 并检验 CoT 监控失效
CATCH 是面向编码 RL 奖励黑客的可控分析测试床，用可利用环境、可调初始倾向和基于执行的金标签，在训练全程比较黑客动态与干预。
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 SkillSafe-Bench，评测技能合并模型的自适应越狱鲁棒性
本研究针对开源语言模型技能合并过程中的安全评估盲区，系统评测并刻画了合并大模型在自适应越狱攻击下的脆弱性特征。
提出 SYNCHAIN，诱导计算机使用 Agent 自建跨任务持久攻击链
Abstract论文揭示了 CUA 自合成工件带来的内部供应链威胁，验证了潜伏载荷的跨任务传播能力与防御局限。
提出 SCHEMA，用概念图与轨迹分评测科学 Agent 幻觉
SCHEMA 是面向科学智能体幻觉的证据锚定评测框架，实例化在生物医学的 Protein Domain 与 PathVQA-Enhanced。作者在摘要中称它是首个同时做到证据锚定和拓扑感知的此类框架。
用代价曲线评估恶意微调防御在持续训练下的衰减
Abstract论文指出恶意微调防御在持续训练下均会衰减，表明基于有限攻击者假设的防御无法为开源模型提供持久保护。
评测推理模型在多轮对抗追问下能否守住正确答案
这是对九个前沿推理模型在多轮对抗追问下是否守住正确答案的评测，并检验置信度防御 CARG 能否从标准 LLM 迁过来。
提出约束对抗搜索红队框架，系统发现模型多类鲁棒性漏洞
提出 BackdoorVLM 基准，评测视觉语言模型微调中的后门攻击与防御
BackdoorVLM 是作者提出的 VLM 后门攻击与防御评测基准，作者称它是首个此类综合基准。
提出多轮在线骚扰 Agent 基准，评测记忆、规划与微调越狱
构建 FindTheFlaws 并评测模型发现长解答推理缺陷的能力
FindTheFlaws 是一组供可扩展监督研究使用的错误检测数据，本文的实验是评测模型找错，不是运行辩论或 prover-verifier 对局。
提出 ARE 框架与图像文本攻击，评测多模态网页 Agent 的对抗鲁棒性
Abstract系统评估多模态网页智能体的脆弱性，指出推理时计算组件被攻破会加剧系统风险。