Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
All papers Found 19 papers Another 261 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.
提出 GUISE 基准与 AXIS 训练,防御叙事包装越狱
Published Oct 8
Evaluated models Qwen3-1.7B , Qwen3-4B , GLM-4-9B Abstract GUISE 分开测包装与语域。作者测量叙事包装下的拒答失效,并训练一个在未见包装上拒绝、同时仍回答同风格良性请求的适配器。问题是:安全对齐模型拒绝直说的有害请求,却回答嵌进角色或叙事里的同一请求。文言文被用来把语域和包装拆开。
提出统一框架评测多模态大模型的遗忘方法
Published Oct 8
Evaluated models LLaVA-1.5-7B 比较连续后训练阶段如何改变语言模型的说服力
Published Oct 7
Evaluated models mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated , GPT-4 Abstract 作者称说服性 SFT 提高失调模型的态度变化,IPO 无额外收益,GPT-4 不异于中性文本。作者用同一人类协议,把 LLM 说服力拆成阴谋数据上的失调 SFT、说服数据上的 SFT,以及其后的 IPO。
提出分风险对齐标度律框架,测量各类风险的对齐负担如何随规模变化
Published Oct 6
Evaluated models Pythia (14m–2.8b) , Qwen2.5 (0.5B–72B) , Qwen2.5-Instruct (0.5B–14B) and others4 Abstract 论文提出了分风险对齐标度律框架,测得真实性与倾向纠错呈标度有益,但盲后门仍存活,揭示隐藏风险的长期挑战。本文提出了一个将大语言模型对齐难度形式化为可测量标度关系的理论框架与预注册评测协议。
提出 ES-Trace,审计代码生成模型模型卡内外的伦理来源披露
Published Oct 6
Evaluated models santacoder , starcoder , CodeLlama-34b-Instruct-hf and others19 Abstract 顺着声明引用审计后披露分数上升,但社会与劳动方面仍然少有证据。ES-Trace 是一套参考感知的披露审计,用来测量代码生成模型的公开文档里能观察到多少 ES-CodeGen 证据。
检验认知偏差修辞能否偏转辩论监督中的人类裁决
Published Oct 5 提出 COVER,在语言预算下选择源语言实现跨语言知识遗忘
Published Oct 1
Evaluated models Tiny Aya Global , Qwen3-4B-Instruct-2507 , Llama-3.2-3B-Instruct Abstract COVER 在语言预算下选源语言,以降低未监督语言上相对 oracle 的残余访问。语言预算下的多语言遗忘 :遗忘监督只放在 K 种源语言上,目标是降低其余语言对同一事实的残余访问,而不是把每种评测语言都译成监督数据。
Published Sep 28
Evaluated models E-Branchformer Abstract 梯度上升类方法更接近简单评测下的重训参照,复杂方法会被知情攻击认出,多说话人更差。
提出 SafeMol,联合对齐分子多模态模型的文本与图输入
Published Sep 27
Evaluated models Omni-Mol v2 , ReactXT , SafeMol Abstract SafeMol 用 MMD 和双分类头对齐分子多模态模型,在 Omni-Mol v2 上压低图条件攻击成功。SafeMol 研究分子多模态模型在危险分子相关请求上的安全对齐,并同时看过拒和任务效用。
提出 IDUnlearn-Bench,评测 VLM 个体级遗忘后的身份残留
Published Sep 27
Evaluated models Qwen3-VL-2B , Qwen3-VL-4B , Qwen3-VL-8B and others6 Abstract IDUnlearn-Bench 用四族探针显示:压低直接属性访问后,身份仍常能被反向查出、绑定或重构。IDUnlearn-Bench 评测 VLM 是否忘掉一个可跨模态识别的人,而不只是答不出某条监督事实。
用 Dmax 与尾部损失评测后门修复的类别性能保持
Published Sep 22
Evaluated models ResNet18 , PreActResNet18 , VGG19-BN 比较标签翻转与后门投毒对图像分类器的影响
Published Sep 10
Evaluated models Logistic Regression , Linear SVM , Random Forest Abstract 标签翻转更能拉低线性模型。Khan 与 Abusaqer 在两个图像分类基准上比较了两种训练时投毒。
提出 FAE 衡量事实核查对证据的依赖,并用 REAL 训练这种依赖
Published Sep 9
Evaluated models REAL (Llama-3.1-8B-Instruct) , REAL (Qwen-2.5-7B-Instruct) Abstract FAE 用多轮证据消融测接地,REAL 用对比监督让判决随证据可用性改变。FAE 与 REAL 分别用来测量并训练 LLM 事实核查器对所给证据的依赖,而不只看一次性的标签准确率。
提出静默修订率,量化安全框架未披露的实质变更
Published Sep 8 Abstract 系统量化了前沿 AI 安全框架的静默修订,发现多数变更为削弱且未予披露,建议监管要求逐项列举。
提出 SDLP 与 GRPO,训练模型遵循上下文水印指令
Published Aug 29
Evaluated models GPT-5.4 , GPT-5.4-mini , GPT-5.4-nano and others14 提出 VA-Judger,用人类偏好训练联合音视频奖励模型
Published Aug 19
Evaluated models VA-Judger , LTX-2 + VA-Judger Abstract VA-Judger 用易到难的人类偏好学习做联合音视频奖励,并用于 LTX-2 后训练。VA-Judger 是面向联合音视频生成的思维链全模态奖励模型,用来替代由分维度专家指标拼成的强化学习奖励。
提出 SAMPLED-BPE,对中文网页语料做抽样 BPE 的 token 级污染审计
Published Aug 11 Abstract 抽样训练 BPE 可低成本审计中文语料污染。SAMPLED-BPE 是一条轻量 token 级流水线,用来在不全文扫描时估计中文 web-scale 语料的污染画像。
用代价曲线评估恶意微调防御在持续训练下的衰减
Published May 14
Evaluated models Llama-2-7B-chat , Qwen3-8B , Llama-3.1-8B-Instruct and others8 Abstract 论文指出恶意微调防御在持续训练下均会衰减,表明基于有限攻击者假设的防御无法为开源模型提供持久保护。
提出 BackdoorVLM 基准,评测视觉语言模型微调中的后门攻击与防御
Published Nov 24, 2025
Evaluated models LLaVA-1.5-7B , Qwen2.5-VL-7B Abstract BackdoorVLM 统一评测 VLM 后门与防御:含文本触发在低投毒率下更易激活,现有防御跨类型不稳定。BackdoorVLM 是作者提出的 VLM 后门攻击与防御评测基准,作者称它是首个此类综合基准。
You have reached the end