Another 232papers do not have category tags yet and are not included in filtered results.
提出义务识别基准 ObligationBench，并训练护栏识别 Agent 未履行的安全义务
作者认为编码智能体的安全不能只靠拦截禁止动作，还要找出终止时仍未做的安全关键动作，并将其称为义务。
测量 LLM 版本更替对科学摘要 AI 改写检测器的影响
作者量化的是：科学摘要的 AI 改写筛查，在 LLM 版本不断更换、而人类摘要误标必须少见时，会怎样变。问题来自期刊和会议已经按分数阈值筛查投稿，但基准多停在评估时可得的版本上。
提出监控深伪基准 CCDF，在统一编码后评测检测器对伪造犯罪事故录像的识别
Abstract提出消除格式捷径的监控深度伪造基准 CCDF，揭示现有检测器难以识别商用生成视频。
评测文生图模型的有害内容生成能力与审核检测缺口
构建多语言音视频 DeepFake 基准 BabelFake 并评测检测器
BabelFake 是经同意与 IRB 批准采集的多语音视频 DeepFake 检测基准，用来把视觉操纵和语音合成拆开比较。
提出 CorrectGuard，在不可查看输入上估计黑盒护栏决策对错
CorrectGuard 面向不能人工检查生产输入、也没有生产标签的黑盒安全护栏，用外部模型估计单条决策是否正确，并据此排序和弃权。离线基准会随数据和攻击变化，未必代表生产分布。隐私约束还可能禁止模型查看原文或可反演的稠密嵌入。
提出 Persona Guardrail，强制客服智能体守住功能边界
Persona Guardrail 是客服向智能体的同步运行时防御：先写明功能边界，再决定放行或拦截，而不是只检测某一攻击类。
重测提示注入检测器在 Agent 工具输出上的检出与任务阻断
Abstract论文揭示公开基准无法反映智能体检测器表现，检测能力源于输入格式相似而非通用防御，建议基于工具输出与低误报评测。
评测多轮对话中 GradSafe 越狱检测的可分性与脆弱性
作者评估梯度越狱检测从单条提示词迁到多轮对话后还剩多少可分性，方法是用 Context Window Scanner 把 GradSafe 原封不动地套到用户轮窗口上。
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。
对比类型化评审与生成式评审对智能体轨迹的安全判定
在已保存的工具使用智能体轨迹上，比较类型化评审 JEV 与四种生成式评审的回溯安全分类。
构建支付欺诈基准 ACB，评测花钱智能体的欺诈检测
ACB 是一套智能体支付欺诈基准与检测参考栈，目标是衡量钱是否被不当提取，而不仅是智能体是否接受了恶意指令。
提出 RLCDAlignBench，零样本检测多种对齐失败
RLCDAlignBench 测量用强化学习做校准决策的 Jev，能否当作对齐失败的零样本检测器。
组织 ArGuard 共享任务评测阿拉伯语表情包与提示词有害检测
评测 Agent 记忆系统的软撤回执行情况，并提出陈旧检索防护
Abstract系统揭示了记忆系统软撤回在检索时普遍未执行的安全漏洞，证明写回会击穿现有防御，并提出读取端防护作为必要控制手段。
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。
构建法律引用幻觉基准 LePhantomCite 并评测智能体核验
法律引用核验被做成基准：伪造引用的法院文书在增加，生成端的幻觉率也没有随模型代际持续下降。
评测安全 LLM-judge 对新上下文与新政策的改判能力
作者度量的不是 judge 与某一套人工标签有多一致，而是它会不会吸收新 context、会不会改用另一套安全政策。
构建 MultiTurnPSB，评测四轮医疗越狱与分类器输入防御
MultiTurnPSB 针对患者端医疗大模型在持续交互中的安全风险，构建了包含三种攻击模态的四轮对抗评测基准。
提出 Artifact-Bench，评测 MLLM 检测并诊断 AI 生成视频伪影
Artifact-Bench 用来看 MLLM 能否发现 AI 生成视频中的伪影，并说明视频为何不真实。