Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
All papers Found 14 papers Another 265 papers do not have category tags yet and are not included in filtered results.
“
About this collection Collection in progress We are building a large AI safety paper collection to help researchers find work related to their interests. Papers are collected automatically andfiltered only for relevance to AI safety , without judging quality, novelty or reading value. The default “Annotated first” shows papers with tags or published paper analyses first. Each group is ordered by original publication date, newest first, with undated papers last. “Newest first” uses publication dates only. This order is not a quality ranking.
One-line summaries, tags and paper analyses are prepared by AI from the papers. Language models may have systematic biases and produce hallucinations.We plan to carry out human annotation and review to reduce errors in this content.
Using fear activation steering to test the hazard judgment criteria of vision-language models
Published Oct 8
Evaluated models Qwen/Qwen2.5-VL-7B-Instruct 提出条件特征抑制防御，检出对抗补丁后抑制 VLA 内部特征
Published Oct 2
Evaluated models π0.5 , SmolVLA Abstract 条件抑制与 patch 相关的 SAE 特征，间歇攻击下可提高 SR，持续攻击下则不能。
提出 OmniConfess，冻结候选并按通道重打分以缓解全模态幻觉
Published Oct 2
Evaluated models Qwen2.5-Omni-7B , Qwen3-Omni-30B-A3B , Nemotron-3-Nano-Omni-30B 研究视觉语言模型在协作中能否表示并说出指称不确定性
Published Sep 30
Evaluated models GPT-4.1 (2025-04-14) , GPT-5 (2025-08-07) , GPT-5.5 (2026-04-24) Abstract 指称不确定性可被引出，但很少说出来。
提出训练无关的 SECRET，对问题表征做源条件转向以缓解音视频模型幻觉
Published Sep 29
Evaluated models VideoLLaMA2-AV-7B , Qwen2.5-Omni-7B , Qwen3-Omni-30B-A3B Abstract SECRET 在问题状态上做源条件转向，三个 AVLLM 上减轻了跨模态接地幻觉。SECRET 是一种训练无关的问题状态转向方法，用来减轻 AVLLM 的 source-confused grounding hallucination。
构建 Mandela-Bench，评测多模态模型是否凭记忆接受篡改图像
Published Sep 27
Evaluated models Gemini-3.8-Flash , GPT-5.6 , GLM-5.3-Flash and others15 Abstract 论文构建 Mandela-Bench 发现模型对经典图像存在记忆重构偏见，过度依赖先验导致无法有效利用知识核验事实篡改。该研究系统评估了多模态大语言模型在面对无痕事实性编辑时，能否利用自身内在世界知识核验被识别出的经典图像。
提出 KoNA 基准，评测视觉语言模型的选择性不遵从
Published Sep 4
Evaluated models InternVL3-2B-Instruct , InternVL3-78B-Instruct , Qwen2.5-VL-3B-Instruct and others8 Abstract KoNA 用五类成对查询评选择性不遵从。KoNA 用来评测视觉语言模型能否对混合查询做选择性不遵从：只处理不该遵从的成分，同时回答其余成分。
比较多模态大模型上三类免训练不确定性估计
Published Sep 1
Evaluated models InternVL2-2B , InternVL2-8B , InternVL3.5-2B and others8 Abstract 回答长度决定免训练 UE 族。这是一项对 MLLM 免训练不确定性估计的分组比较：幻觉检测被作者视为弃答、转交或路由的一种用途，而不是唯一目标。
审计视觉语言模型在敏感图像上从拒答转向国家立场重构的行为
Published Aug 12
Evaluated models Qwen2-VL-7B , Qwen2.5-VL-7B , Qwen3-VL-8B and others9 Abstract 论文系统审计了 VLM 多模态审查，发现审查正从显式拒答转向隐蔽重构，且中文提示与文本先验会放大重构倾向。论文系统研究了中外开源视觉语言模型在政治敏感图像上的审查行为，主要内容如下。
提出机器遗忘式生成图像检测，用遗忘前后特征相似度区分自然图与生成图
Published Aug 1
Evaluated models DINOv2 ViT-S/14 , DINOv2 ViT-B/14 , DINOv2 ViT-L/14 and others9 Abstract 作者用剪枝或 LoRA 遗忘拉开生成图与自然图的特征相似度，并在多个检测基准上报告结果。这篇工作把 AI 生成图像检测写成对预训练视觉模型的机器遗忘：原模型对两类图像损失都低，剪枝后生成图特征变得更不像原模型。
提出 SPAR 免训练注意力干预，削弱多模态模型的结构偏置
Published Jul 27
Evaluated models LLaVA-1.5-7B , LLaVA-NeXT Abstract SPAR 以结构偏置净化缓解视觉幻觉，结果需区分误导后收益与原始任务例外。SPAR 是一种无需训练、直接修改多模态内部注意力的幻觉防御。 作者关注视觉信息被查询不变的注意力偏置稀释，以及误导文本进一步推动模型依赖语言先验的问题。
提出 GeoDetect 以几何分数检测视觉语言预训练模型的对抗样本
Published Jul 16
Evaluated models CLIPViT (ViT-B/16) , CLIPCNN (ResNet-50) , ALBEF and others4 Abstract GeoDetect 用几何分数检测 VLP 对抗样本。GeoDetect 是面向视觉-语言预训练模型的对抗样本检测方法，用嵌入几何而不是任务 logits 区分干净样本与对抗样本。
在 Gut-VLM 上评测内镜 VLM 的幻觉检测方法
Published Jun 23
Evaluated models MedGemma-4B , MedGemma-27B , LLaVA-Med-7B and others5 Abstract 九种检测方法在 Gut-VLM 五模型上的比较中，ReXTrust 的 AUC 均为最高。这是一个胃肠道内镜 VQA 幻觉检测的比较基准，不是新检测器结构的提出。
提出基准 CHART HAL，细粒度评测图表理解中的幻觉
Published Sep 22, 2025
Evaluated models Gemini-2.5-Pro , GPT-5 , GPT-5-mini and others15 You have reached the end