Another 232papers do not have category tags yet and are not included in filtered results.
Proposes SWE-DeceptionBench to evaluate LLM deception in the software development lifecycle
Auditing training labels for label-only backdoors, comparing spaces and statistics, and judging by retraining
The authors ask: can a defender without trusted data decide which training labels to keep, and how much clean data this destroys, and what the final model accuracy is.
Proposes the Cancerous backdoor, which progressively corrupts reasoning using invisible stage tokens.
Cancerous Backdoor Attack changes LLM backdoors from one-time activation to multi-stage reasoning corruption that accumulates progressively with triggers.
Diagnose whether compliance system rulings change with perturbations to regulatory rules
Use behavioral counterfactuals and activation probes to audit whether compliance rulings rely on the given rules. The authors aim to separate two kinds of seemingly identical correct rulings: those that use the given rules, and those obtained from case surface features or training patterns.
Analyzing why optimizing teaching adaptation metrics collapses tutoring choices and diverges from expert judgment
After turning teaching adaptation metrics into a fine-tuning objective, the metrics rise while scores from trained educators decline.
提出 RL-ARC，用推理置信度在强化学习中校准推理模型
RL-ARC 是校准感知的强化学习框架，用推理过程的口头置信度调节答案置信度。
用 BeliefScope 分离固定命题上证据与压力对模型信念的影响
BeliefScope 是一个黑盒行为诊断框架，用来把固定命题上的回答变化拆成证据驱动的修正，和不加新事实的方向性压力。信念修正评测能看到信息基础变化后的更新，谄媚评测能看到用户影响下的顺从或漂移。作者认为，当两种输入都偏向同一结论时，表面偏移本身不能区分来源。
构建 EpiReal-Bench，评测图像生成器将虚假主张渲染为可信证据
EpiReal-Bench 用来量商用图像生成器会不会把虚假现实主张画成可信视觉证据。
比较连续后训练阶段如何改变语言模型的说服力
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 OrthoPurify，用正交投影清除视觉语言模型适配器中的劫持方向
OrthoPurify 是部署前的 LVLM 后门净化方法，用一次正交投影去掉被劫持的权重更新方向。
测量委托收费激励下模型策略性虚报任务信心
Abstract论文建立人机委托信誉博弈框架，揭示模型策略性虚报置信度且主要造成信息破坏，作者指出校准受制于报告意愿。
比对捐赠对话史与众包提交，测量 AI 代答的集中度与获批
提出持久视觉记忆注入，使对抗图像经缓存在触发时操控输出
Abstract论文提出 P-VMI，证实对抗输入被掩蔽后仍可经 KV 缓存持久控制模型，强调了保留状态的安全风险。
提出 World Models' Last Exam 评测视频物理一致性
提出知行差距面板，测量压力下模型是否违背自身判断
本文评估了开源语言模型作为智能体行动时违背自身道德判断的知行差距及其决定因素。
提出 STCA，对驾驶视频 VLM 构造可迁移的时空对抗扰动
论证 Lean 编译通过不能保证自然语言数学证明语义忠实
Abstract论文论证了形式化编译不保证原证明正确，确立了消歧不可计算性理论，并揭示了 OpenAI 爆破证明中的具体脱节。
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。
测量财务事实变少时身份对股权配置建议的替代
同一财务只改人设，测量披露变薄时股权建议里的身份替代。
提出 ATLAS 用水平集估计恢复黑盒分类器的对抗输入集合
ATLAS 是一个查询式 black-box 框架，用来构造诱发失败的对抗输入集合，供鲁棒性审计使用。