Another 232papers do not have category tags yet and are not included in filtered results.
提出 FAB 攻击，向声学基础模型植入可由环境声触发的后门
Abstract论文提出了针对声学基模的 FAB 后门攻击，在弱威胁模型下实现了任务无关、物理可触发的后门植入。
提出回答端后门，让模型自生成触发词以在干净有害请求下绕过拒答
Abstract论文提出了多轮对话中回答端自生成触发词绕过安全拒绝的后门攻击，指出输入端防护存在盲区。
测量带后门教师经 OPD 向干净学生迁移潜伏后门
带后门的外部教师经 OPD，可在压低无触发词有害率的同时，把触发条件下的有害行为传给初始干净学生。。
评测多轮对话中 GradSafe 越狱检测的可分性与脆弱性
作者评估梯度越狱检测从单条提示词迁到多轮对话后还剩多少可分性，方法是用 Context Window Scanner 把 GradSafe 原封不动地套到用户轮窗口上。
提出 UBA-ORL，以 BD/CM 样本在遗忘后激活离线 RL 后门
UBA-ORL 研究离线强化学习中由合规轨迹删除激活的后门：合法贡献者同时上传共享触发的后门轨迹和伪装轨迹，训练后触发响应被压低，删除伪装批次后再升高。受害系统是使用静态数据集和轨迹级遗忘接口的离线 RL 服务。对手不能看到训练算法、参数、梯度或具体遗忘算法，但能提交可区分批次，并在部署时向观测注入预定触发。
提出 FreqDoor，在频域混合振幅并对生成式 VLM 做训练时视觉后门
FreqDoor 是针对生成式 VLM 的仅视觉、训练时后门：在频域混合触发源振幅、保留干净图像相位，使触发在空间上分散。
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 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
提出面向意图的多轮 LLM 越狱分类体系
这是一篇关于多轮 LLM 越狱的 SoK：按有害意图在交互中的组织位置分类，而不是按单步提示技巧分类。
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。
提出工作流级越狱，让编程 Agent 在开发任务中写入有害示例
这是一项生产 IDE 编码智能体的工作流越狱研究，受测对象是 Copilot 的四个模型后端，而非评测流水线中的名义目标。
提出 SMT 框架，用模拟审核轨迹越狱函数调用 LLM
提出 AdvGRPO，用 GRPO 闭环共训多轮越狱攻击者与防御者
构建 MultiTurnPSB，评测四轮医疗越狱与分类器输入防御
MultiTurnPSB 针对患者端医疗大模型在持续交互中的安全风险，构建了包含三种攻击模态的四轮对抗评测基准。
提出 Persona Attack，分步写入对话记忆指令以越狱
提出多轮意图欺骗越狱 iDecep，用良性意图伪装引出有害内容
iDecep 是一种黑盒多轮越狱：用表面良性的意图维持与恶意目标贴近的对话，并单独计入 safe completion 替代内容中的有害信息。。
提出 TrojanMerge，在源模型植入仅在合并后生效的潜伏分量
Proposes the STAR multi-turn role-playing framework, which bypasses safety alignment through dialogue state evolution
Using ADVERSA to measure guardrail degradation and reviewer reliability under multi-turn attacks
ADVERSA is an automated multi-turn red-teaming measurement framework that records guardrail behavior as per-turn compliance trajectories and simultaneously measures whether reviewers agree. The problem it addresses: single-turn binary pass/fail cannot show how safety properties change under sustained adversarial pressure, nor can it separate gradual refusal consolidation from stable scores. The authors argue that real-world adversaries rewrite and persist over multiple turns.
提出 FERRET 框架，用扩展生成多轮多模态越狱对话