Nullify:面向 LLM 遗忘的零空间激活引导免训练方法
提出零空间激活引导 Nullify,免训练擦除指定记忆并保持效用
- arXiv
- 2610.10655
- Published
- Layer
- Model layer
- Setting
- Models and APIs
- Evaluated models
- Llama-2-7B-chat-hf, Qwen3-8B
- DefensesInference-time intervention
- AttacksExtraction and theft
Another 265papers do not have category tags yet and are not included in filtered results.
提出零空间激活引导 Nullify,免训练擦除指定记忆并保持效用
提出 PatchBench-Local 协议,评测激活补丁修复越狱的局部附带损伤
Abstract论文提出 PatchBench 与局部评估协议,揭示了激活补丁在全局能力无损下仍存局部良性退化。
提出 Safety-Aware Pruning,缓解视觉 token 剪枝放大的多模态越狱
这篇工作评估视觉 token 剪枝如何改变 VLM 在多模态越狱下的行为,并给出推理时防御 SAP。
测量有损投机解码的安全代价,并提出 SecureSD 收紧早期验证
作者研究有损推测解码在换取速度时,是否会比效用更快地损害越狱与提示注入防护,并给出按位置校正的 SecureSD。
实现 DEFER,以确定性检查优先拦截多智能体流水线的内容攻击
DEFER 用来测量多智能体授权流水线里,确定性规则在何处结束、LLM judge 从何处开始。
提出 VAL 框架,并用确认门与参数沙箱约束智能体高风险工具调用
提出生成时防御 SENTINEL,匹配输入输出以抽出越狱意图并停写
提出 ASA 与 AttestMCP,度量并降低 LLM 对输入序列扰动的敏感
提出 Constitutional adapters,蒸馏宪法行为以缓解越狱与失准
Abstract差分宪法适配器在长上下文和多轮上更稳,并可按 α 换取遵从。
提出工具型 Agent 的自适应攻击 DART 与预执行防御 SAGE
Abstract论文提出状态控制框架 SEAD、攻击 DART 与防御 SAGE,实验显示执行反馈与环境探测在攻防交互中具有关键作用。
提出 CAM-Steer,推理时按多类别风险引导隐藏状态以降低有害回复
提出 SCALPEL,用对比 SAE 在表征层选择性遗忘特定事实
SCALPEL 是不改基座权重的表征层遗忘方法,面向与保留数据重叠的窄目标。
提出 AEGIS,用中层内部信号选择性激活后层适配器拦截音频越狱
提出 Skilder,按角色渐进下发企业工具并确定性拦截越权调用
Skilder 把企业工具型智能体的能力按角色打包,经一个 MCP 服务器做渐进发现,使工具范围由服务器而不是提示词来执行。
提出 APEXA,在工具层拒绝无执行支撑的结果并拦截电机命令
APEXA 是先进光子源上的数据还原框架,用工具层代码约束语言模型智能体的工具调用。
提出企业 MCP 零信任授权与发现扩展,在架构上拒绝提示注入下的越权调用
作者把零信任放在 MCP 工具调用边界:智能体即使被提示注入,也不能调用其凭证范围之外的工具。问题来自三点部署性质。调用意图会随不可信上下文改变。
构建 APort Vault 基准,对比支付智能体模型拒答与确定性授权
提出 ARIA,在冻结权重上用 SAE 做推理时遗忘门控
提出 ATF 与 NTR,过滤或恢复工具集以阻止 Agent 调用攻击工具
提出 SPARK,在预填充阶段修复多模态 KV 记忆以防御视觉语言模型越狱