Another 265papers do not have category tags yet and are not included in filtered results.
提出 BRANCH 方法，用分支搜索绕过多扫描器护栏
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。
提出 ReSA，从对齐模型行为恢复安全奖励并在解码时反转
ReSA 是一种对抗攻击：从对齐模型的可观察行为恢复代理安全奖励，再在解码时把该奖励反过来用。。
消融比较方言越狱中表层形式、文化框架与策略库的作用
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 Concept2Scenario，借助内部概念归因发现可迁移的越狱场景
Abstract该研究从表征空间因果归因揭示场景削弱拒绝的机制，发现可复用脆弱场景先验，提升多模型黑盒越狱效能与探索速度。
评测多语言与编码混淆提示下模型生成钓鱼与键盘记录内容的遵从
提出 OTTER 词元替换越狱，绕过表面毒性审核诱导有害回答
Abstract论文展示了表面毒性与恶意意图的解耦现象，通过标准 API 实现黑盒越狱测试，并提出闭环分类器加固建议。
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 PCSA，用人设多轮模拟咨询来访者以诱导有害共情回复
提出复合越狱，叠对比结构、权威人设与自评饱和指令层级
提出 FoodGuardBench 与护栏 FoodGuard-4B，评测并降低食品危害越狱
提出 S2C 越狱，用情境改写、切分和线索伪装推迟有害意图整合
提出 STAR 多轮角色扮演框架，利用对话状态演化绕过安全对齐
提出纯视觉越狱攻击 VJA，把有害编辑指令编码进图像
提出黑盒 context nesting，用结构化补全任务嵌套有害请求越狱扩散 LLM
作者把 D-LLM 相对 AR-LLM 越狱的稳健性称为 safety blessing，并把 context nesting 当作它的 black-box 失效方式。
提出音频叙事越狱，以嗓音投递风格绕过端到端语音模型拒答
提出 ICON 多轮越狱，用意图-上下文先验生成攻击序列
用醉酒语言诱导改编对话模型并评测越狱与隐私泄露
作者把醉酒语言当作攻击向量，检验把 LLM 适配成醉酒发短信的模式后，越狱和情境隐私是否变差。动机是人类醉酒时的失范与泄密，以及 LLM 模拟人设的能力。