Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Defenses and guardrails · Papers
Found 22 papers提出 LADE，用首 token 暗知识在生成前过滤越狱查询
- Published
- Evaluated models
- Llama-2-7B-Chat, Llama-3-8B-Instruct, Qwen2-7B-Instruct and others13
Abstract作者用 LADE 在生成前过滤有害查询，并称八个模型中六个的 Held-out 平均最好。
LADE 是一种只读首 token 输出概率的防御，用来在生成前挡下可能引出有害回复的查询。
提出 Persona Guardrail，强制客服智能体守住功能边界
- Published
- Evaluated models
- Qwen3-30B-A3B, Qwen3-VL-30B, Qwen3-8B and others5
AbstractPersona Guardrail 用功能边界做同步输入输出校验，并在 PAGE 与生产延迟预算下给出评测。
Persona Guardrail 是客服向智能体的同步运行时防御：先写明功能边界，再决定放行或拦截，而不是只检测某一攻击类。
提出收缩约束 SSM 安全头，认证嵌入扰动并检测越狱
- Published
- Evaluated models
- ToySSMClassifier, S4 safety head
Abstract收缩给出玩具 LTI 的有界认证。
给 SSM 安全头一个收缩条件，并在越狱检测上使用收缩正则的 S4 头。。
提出 MOMAT 多图集检索与轻量判定，防御量化模型越狱
- Published
- Evaluated models
- Llama2-13B, Llama2-7B, Mistral-7B
构建 TriggerBench 并训练 ThinkingGuard，检测图文隐式风险
- Published
- Evaluated models
- ThinkingGuard（Qwen3-VL-8B-Instruct）
AbstractTriggerBench 隔离触发条件，ThinkingGuard 用分步归因在隐式风险检测上取得作者报告的较高平均分。
这篇工作研究多模态隐式风险检测：图文各自良性，风险只在关键元素与触发元素交互时出现。
用 SCM 合成会话并训练检测器识别推理层滥用
- Published
- Evaluated models
- gradient-boosted detector (GBDT/XGBoost)
提出 HE-Guardrail，在密文推理中评估越狱护栏并门控回复
- Published
- Evaluated models
- Llama-3-8B-Instruct, Llama Guard 3-8B
Abstract密文护栏门控 HE-LLM 回复。
把越狱护栏装进同态加密 LLM 推理：服务器不解密，也能按安全决策决定客户端看到目标回复还是拒绝回复。
用后验重加权解释多模态上下文越狱，并提出风险门控的良性示例注入防御
- Published
- Evaluated models
- Qwen3-VL-2B, Qwen3-VL-4B, Qwen3-VL-8B and others8
Abstract后验重加权解释上下文越狱的缩放，并支持风险门控的良性示例防御。
Zhang 等把多模态 ICL 越狱写成对齐模型在安全与有害隐模式之间的推理时后验漂移，并据此做风险门控防御。
提出 SRD-GUARD，以语义改写与多模型联合评分拦截包装式越狱
- Published
- Evaluated models
- Llama-3-8B-Uncensored, DeepSeek-V4-Flash
评估安全监视器并提出双侧梯级微调以减少会答有害请求的漏检
- Published
- Evaluated models
- Gemma-4-31B-IT, Qwen3-32B, Llama Guard 3 8B and others6
Abstract论文发现安全监视器大多拦截模型已拒答请求，指出明确度偏差是共性原因，并通过双侧梯级微调提升回答请求的召回表现。
提出生成式护栏 HiveTraceGuard-Pro，检测提示注入、越狱与混淆
- Published
- Evaluated models
- HiveTraceGuard-Pro (0.6B)
Abstract0.6B 俄英护栏在自建俄语干净集和 PI-RU 上得分最高，聚合 key 居第三，过阻断和回复精度仍是作者标出的短板。
HiveTraceGuard-Pro 是面向请求与回复审核的 0.6B 生成式护栏，由 Qwen3-0.6B 经 LoRA 微调，在俄语和英语上训练，只输出一个 safe/unsafe 裁决。
提出 DataShield，用共识子空间过滤会削弱安全的微调数据
- Published
- Evaluated models
- Phi3-medium-4k-it, Qwen3-4B-it, Gemma2-27B-it and others4
提出 SciTrace，为科学发现智能体加入跨阶段安全推理与工具轨迹核验
- Published
- Evaluated models
- Llama-3.1-70B-Instruct, Qwen2.5-72B-Instruct, DeepSeek-V3 and others4
AbstractSciTrace 把安全推理织入科学智能体各阶段，在 SciSafetyBench 上提高安全指标并保持输出质量。
SciTrace 是加在科学发现智能体流水线上的安全框架，不是再在各阶段出口放一个独立过滤器。
提出 FoodGuardBench 与护栏 FoodGuard-4B，评测并降低食品危害越狱
- Published
- Evaluated models
- Claude-3.7-Sonnet, GPT-4o, GPT-4.1 and others10
提出代理层 peak + accumulation 公式，检测多轮分发的攻击
- Published
微调编码器抽取语言特征并分类，检测临床训练对话中的越狱
- Published
- Evaluated models
- BERT-Base, BERT-Large, DistilBERT and others7
提出 HASTE，挖掘 hard negative 再训练恶意提示检测器
- Published
- Evaluated models
- protectai/deberta-v3-base-prompt-injection
AbstractHASTE 用 hard negative 再训练检测器。
HASTE 是检测器侧的闭环硬化框架：持续构造能绕过当前检测的对抗提示，再用来更新恶意提示分类器。
提出 MalURLBench 评测 Agent 是否接受结构伪装的恶意 URL
- Published
- Evaluated models
- GPT-3.5-Turbo, GPT-4o-mini, GPT-4o and others13
提出 TS-Guard 与 TS-Flow，在执行前检测并引导 Agent 修正有害工具调用
- Published
- Evaluated models
- GPT-4o, TS-Guard, Qwen2.5-14B-Instruct
AbstractTS-Bench 标步骤级风险，TS-Guard 用多任务 RL 做执行前判定，TS-Flow 用反馈代替直接中止。
ToolSafe 研究 LLM 智能体在工具执行前的步骤级安全：基准 TS-Bench、护栏 TS-Guard，以及反馈驱动框架 TS-Flow。
提出 Tool Obfuscation 并评测函数调用 Agent 的攻防
- Published
- Evaluated models
- Qwen3:8B, Llama-3.2:3B, Granite3.2:8B and others5