Another 215papers do not have category tags yet and are not included in filtered results.
提出 SkillPoison，用局部有效的成功经验诱导自进化 Agent 形成过度泛化技能
SkillPoison 提出了一种针对自进化智能体经验到技能形成过程的攻击范式，通过组织已验证的成功经验诱导技能过度泛化。
提出只训练或篡改多智能体潜在通信链路来提高有害遵从
学习得到的潜在通信链路会改变由冻结、对齐智能体组成的系统是否遵从有害请求。。作者研究三种拓扑：双智能体、三级顺序协作，以及双专家加汇总。
提出 NEEDLE，用权重正交化在已知触发器时去除大模型后门
AbstractNEEDLE 用闭式权重编辑去掉已知触发器的后门，并保住拒绝子空间。
提出基准投毒攻击，使自修改编码 Agent 跨代写出含漏洞代码
Abstract论文报告了恶意基准能污染自修改代码智能体的进化过程并持续输出漏洞，警示系统设计需纳入安全约束。
系统梳理智能体执行链路中的越狱攻击与防御并比较推理时防御
Mia 等人把越狱安全从单轮回复扩展到智能体的规划、记忆、工具和智能体间通信，并问既有结论在更强原生对齐下是否还成立。
解释后验安全的权重几何脆弱性，并提出预训练持续安全共训练
Abstract论文将后验安全脆弱性归因于正交抑制，并提出通过预训练持续共训练实现具备微调抗性的安全防护。
提出 MROP，在发射端推理时纯化输入以抵御训练投毒后门
MROP 是 deep JSCC 无线图像传输上的推理时输入纯化，对象是矩形补丁后门。
提出依赖引导回滚修复，恢复记忆增强 Agent 的回答与状态
提出 MAFIA，以探测放置与事实伪装对带审计 Agent 做查询式记忆投毒
用通用扰动对恶意软件分类器及漂移检测器做规避与后门投毒
复现 AgentCF 上的多智能体攻防并刻画连通性作用
作者在 AgentCF 上研究连通性如何改变多智能体协同过滤的攻防，复现已有方法而不是提出新载荷。
提出 EvoBreak，以良性任务组合诱导自进化 Agent 的持久经验并削弱安全边界
Proposing MemSecBench to evaluate agent memory poisoning and selective repair
Comparing jailbreak fine-tuning and weight orthogonalization unalignment on harmful assistance and usefulness
Proposes LAAF, which automatically attacks LPCI vulnerabilities in agent systems in stages
The authors state that LAAF is an automated red-teaming framework built specifically for LPCI in agentic LLMs. The issue to address is that encoded, delayed, and conditionally triggered payloads can persist in memory or RAG and re-enter across sessions, whereas Garak and PyRIT do not use the previous round's breakthrough results to seed the next stage across the six stages.
Mitigating steering dataset contamination with Lee-Valiant robust means
The authors study how much behavioral control remains at inference time when contrastive steering's training data is contaminated, and whether the robust mean can catch it.
提出 ER-MIA 黑盒记忆注入，用嵌入相近记忆抢占检索并改错后续回答
提出推理扫描器，在仅有模型文件时检测后门并重构触发词
这是一个只做推理的 sleeper agent 扫描器：在不知触发词和目标行为时，检测因果语言模型里的条件后门并重构触发词。。问题在于，后门只在触发词出现时偏离基线，而开放仓库和网页投毒使检测方通常没有触发词、目标或激活语料。
提出 BPA 改写 profile 与记忆，重新诱发智能体对人类的外群体偏向
作者考察 LLM 智能体在任意群体边界下会不会把人类当外群体，并用信念投毒检验面向人类的抑制是否依赖身份信念。
提出多轮在线骚扰 Agent 基准，评测记忆、规划与微调越狱