Another 232papers do not have category tags yet and are not included in filtered results.
提出组合式意图隐藏越狱，按先验后验匹配选择辅助任务
这篇工作把组合式意图隐藏写成任务选择：有害目标必须留在 bundle 里，同时让估计的有害意图概率贴近全集先验，或降到阈值以下。
提出 CodeMimicry，以结构化代码补全诱导模型生成有害内容
提出 CollageAttack，用空间文本碎片重组越狱文生图模型
Abstract系统揭示 T2I 跨模态空间合成安全漏洞，证实离散无害元素可在图像层面重构有害意图并放大传播强度。
提出任意字母置换密码越狱，无需微调即可诱导有害输出
Abstract前沿大模型无需微调即可通过提示词学会字母置换密码，进而绕过分类器与对齐，作者呼吁关注能力提升带来的安全风险。
提出 DIVA，将有害意图拆成视觉锚点与运动文本以越狱视频生成模型
DIVA 是针对带参考图的视频生成模型的免训练 black-box 越狱：用一致性机制本身堵住语义漂移这条安全逃逸路径。。
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 HACA，将图文越狱拆为原子策略并自动组合以诱导有害输出
提出 RoguePrompt 双层编码自重构越狱，绕过 LLM 审核
提出生物红队模型 Intern-BioBreaker，多轮越狱诱导模型输出可操作生物危害
Abstract论文通过构建专用红队模型评估前沿大模型的生物安全漏洞与物理转化风险。
提出 SMT 框架，用模拟审核轨迹越狱函数调用 LLM
提出 OTTER 词元替换越狱，绕过表面毒性审核诱导有害回答
Abstract论文展示了表面毒性与恶意意图的解耦现象，通过标准 API 实现黑盒越狱测试，并提出闭环分类器加固建议。
提出 JailbreakOPT，组合原子工具迭代优化黑盒单轮越狱提示
提出 AdvGRPO，用 GRPO 闭环共训多轮越狱攻击者与防御者
提出 DSR 跨模态越狱，用无害图文诱导 MLLM 生成有害图像
DSR 是一种 black-box 跨模态越狱：输入侧不放显式有害内容，而让商业 MLLM 在推理中把无害图文重组成有害图像。
提出 Persona Attack，分步写入对话记忆指令以越狱
提出 Babel 混淆分布采样，黑盒越狱闭源 LLM 安全注意力
提出多图越狱框架 DMN，把有害意图拆进图像序列绕过安全护栏
提出 Vaporizer，用词法变换、翻译和释义破解 LLM 输出水印
提出删字变体越狱方法，利用重构与隐藏权衡绕过多模态模型安全过滤