Another 254papers do not have category tags yet and are not included in filtered results.
提出 PrivDrift 基准，审计话题漂移后的用户秘密复述
消融比较方言越狱中表层形式、文化框架与策略库的作用
提出 SAST-IR，用有状态攻击者迭代说服无记忆模型接受反事实
提出内容不变样式包装，翻转安全评审器的判定
这是一项关于大语言模型自动化安全评审系统表面样式脆弱性的评估研究。
提出 MIPC 与 CFA，观察模型自拟测验后接受开发者身份
这项工作把“模型自己出题、自己批改、再宣布身份已核验”定义成对话层认证失败，并与后端提权分开。
提出多轮越狱框架 BLUEPRINT，用世界观模拟与心理因素诱导有害输出
BLUEPRINT 是一个将因子化社会影响力策略空间与跨轮世界观模拟解耦的多轮大语言模型安全评测框架。
提出 RolePlay 框架，用人设条件放大 LLM 单次推理开销
提出 Concept2Scenario，借助内部概念归因发现可迁移的越狱场景
Abstract该研究从表征空间因果归因揭示场景削弱拒绝的机制，发现可复用脆弱场景先验，提升多模型黑盒越狱效能与探索速度。
评测多语言与编码混淆提示下模型生成钓鱼与键盘记录内容的遵从
提出 Ghostwriter 攻击，用伪权威证据条件注入操纵模型观点
Ghostwriter 是一种针对上下文窗口的观点引导攻击：把误导陈述改写成伪权威文本，再在相关查询中让目标模型把该观点写进回答。
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 Persona Attack，分步写入对话记忆指令以越狱
Propose PCSA, which uses persona-based multi-turn simulation of counseling clients to induce harmful empathetic responses.
Proposes composite jailbreaks, stacking contrast structure, authoritative persona, and self-evaluation to saturate the instruction hierarchy
Propose FoodGuardBench and the guardrail FoodGuard-4B to evaluate and reduce food hazard jailbreaks
提出 S2C 越狱，用情境改写、切分和线索伪装推迟有害意图整合
提出 STAR 多轮角色扮演框架，利用对话状态演化绕过安全对齐
提出黑盒 context nesting，用结构化补全任务嵌套有害请求越狱扩散 LLM
作者把 D-LLM 相对 AR-LLM 越狱的稳健性称为 safety blessing，并把 context nesting 当作它的 black-box 失效方式。
提出音频叙事越狱，以嗓音投递风格绕过端到端语音模型拒答
提出 ICON 多轮越狱，用意图-上下文先验生成攻击序列