Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Another 240 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.
论证发布时互信息不能认证开源权重抗微调恢复
Published Oct 7
Evaluated models EleutherAI/deep-ignorance-e2e-strong-filter , EleutherAI/deep-ignorance-unfiltered , Google BERT-Tiny and others6 Abstract 作者称零信息仍可一步恢复，表观抗微调可来自参数化。作者研究开源权重模型的篡改抵抗：发布时的互信息是否足以保证微调恢复很慢。
评测 coding agent 在非公开漏洞上的利用生成、修复与后续攻击
Published Oct 6
Evaluated models Opus 5 , GPT-5.6 Sol , GPT-6 Sol and others10 Abstract 攻防孰强随环境、系统和弱点改变。作者比较编程智能体在利用生成与漏洞修复上的自主表现，并检查修复之后还能不能被攻破。文中的 help 指自主完成任务，不是提升人类操作者。
提出 KaliBench，评测模型把安全意图译成 Kali 命令的能力
Published Oct 2
Evaluated models Llama3.1-Instruct 8B , Qwen3 8B , Qwen3 8B thinking and others15 提出 GSU 在发布前封堵敏感门梯度，抵抗下游微调获取禁止能力
Published Sep 30
Evaluated models Llama-3.2-1B , Llama-3.2-3B , Llama-3.1-8B and others7 Abstract GSU 在发布前封堵 SiLU 门的获取梯度，并在 TOFU 与 WMDP 上降低下游微调得分。Gradient-Sealed Unlearning（GSU） 是一种发布前的 preemptive unlearning：不删除模型里已经有的能力，而是让指定禁止域能力更难被发布后的微调获取。
提出 MobileCybench，用可执行探针评测 Agent 的漏洞发现能力
Published Sep 21
Evaluated models OpenCode/GPT-5.5 , OpenCode/GPT-5.6-Sol , OpenCode/GLM-5.2 and others5 提出 SRE-Bench 评测智能体的真实规模二进制逆向能力
Published Aug 12
Evaluated models GPT-6-Astra , GPT-5.6-Sol , GPT-5.6-Cyber and others11 Abstract SRE-Bench 用从零编写的大规模保护二进制评测智能体 RE，公开设置下多数模型完全解开比例不高。作者构建并评测 SRE-Bench ，一个从零编写、用于测量智能体逆向工程而非利用开发的基准，并称它同时满足污染控制与真实软件规模。
用 CryptanalysisBench 评测大模型的端到端密码分析能力
Published Jul 21
Evaluated models Claude Opus 4.8 , Claude Sonnet 5 , Claude Mythos 5 and others10 Abstract 提出真实密码原语分析基准，证实前沿模型具备显著分析能力并能发现未公开设计缺陷。
构建真实网络靶场基准，评测 AI 的端到端自主攻击能力
Published Jun 12
Evaluated models GPT-5.5 , Claude-Opus-4.7 , GLM-5.1 and others7 Abstract 构建开放多靶场评测基础设施 AGENTCYBERRANGE，测定前沿 AI 网络攻击能力并揭示其端到端规划短板。
提出 LFT 多轮框架，评测模型对欺诈与网络犯罪的可执行协助
Published Feb 25
Evaluated models Claude Sonnet 3.5 , Claude Sonnet 3.7 , Claude Sonnet 4 and others14 Abstract 作者称低努力文本诱导下，多轮 LFT 中模型对三类犯罪的信息协助有限。作者给出一套由执法与政策专家校验的多轮评测，用来估计文本模型经由信息提供，对欺诈和网络犯罪有多少可执行协助。
You have reached the end