Another 240papers 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。
测量思维链将提示中 PII 复述进轨迹的泄漏并评测轻量检测器
在“不要复述 PII”的输出策略下，本文用 black-box 协议测量提示词中的 PII 被写回 CoT 与答案的情况，并比较轻量 gatekeeper。
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
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。