Another 240papers do not have category tags yet and are not included in filtered results.
Proposing SWE-Critix, a post-trained general verifier for evaluating coding agent trajectories
Proposes DREAM, which selectively weakens agent-poisoned memories while preserving benign memories.
Trace attention to identify harmfulness to the MLP refusal write pathway and propose Sentinel
The authors reframe jailbreaking and excessive refusal of aligned models as a pathway problem on the residual stream from recognition to writing, and accordingly provide conditional reminders before decoding.
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 PASAC and a five-layer boundary guarantee stack, turning agent evaluation overstepping into verifiable whole-system guarantees.
Using FIBS to train white-box probes to monitor agent sabotage behavior and undisclosed deception
Proposes the FAITH safe filtering reinforcement learning framework, training high-dimensional systems to optimize task reward under constraints
FAITH is a model-free safe filtering reinforcement learning framework for high-dimensional systems: safety correction and task reward reside in separate modules.
Proposes LGWM, using an action-conditioned world model to verify GUI agent screen transitions.
提出义务识别基准 ObligationBench，并训练护栏识别 Agent 未履行的安全义务
作者认为编码智能体的安全不能只靠拦截禁止动作，还要找出终止时仍未做的安全关键动作，并将其称为义务。
提出 LTBD，用可学习分隔符隔离可信指令与不可信数据
LTBD 是一种不改基座权重的提示注入防御：只学习用来标出可信指令与不可信数据边界的四个 token 嵌入。
测量 LLM 版本更替对科学摘要 AI 改写检测器的影响
作者量化的是：科学摘要的 AI 改写筛查，在 LLM 版本不断更换、而人类摘要误标必须少见时，会怎样变。问题来自期刊和会议已经按分数阈值筛查投稿，但基准多停在评估时可得的版本上。
演化可检查评分器并与自改进 Agent 共同演化，抑制奖励作弊
开放任务没有验证器时，被演化的是评分器，而不是再补一条手写 rubric。
提出 DFI 与 DFC 蒸馏，定罪隐瞒失配的教师或安全提取能力
Abstract概括了论文针对隐瞒失配模型提出的 DFI 与 DFC 机制、主实验发现及适用边界。
构建统一奖励作弊检测基准 RH-Detect 并评测零样本检测器
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 AgentTracer，事后定位间接提示注入的注入点并重建攻击链
提出 MFOTL 离线时序验证以监控工具 Agent 的危险动作链
这篇论文对工具调用大语言模型智能体的安全监控进行了形式化时序验证研究。
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。
提出 PyCache Trap，用字节码缓存替换绕过 Agent 技能扫描器
这篇论文研究了智能体技能（Agent Skills）安全扫描中的“审查–执行脱节”问题，并提出了对应的攻击验证与防御方案。