Another 247papers do not have category tags yet and are not included in filtered results.
Proposes SAFE-QE, which filters unsupported hallucinated words in LLM query expansion
AbstractSAFE-QE suppresses expansion hallucinations with reproducibility and coverage selection; the authors say ranking quality shows no visible cost.
Proposes SWE-DeceptionBench to evaluate LLM deception in the software development lifecycle
Proposes the ISE framework to evaluate the epistemic humility of LLM agents under knowledge conflicts
What the authors want to test is not whether the agent's final answer is correct, but whether, when a knowledge conflict arises, it recognizes the gap in its trajectory, performs bounded tool follow-up, and writes the unresolved uncertainty to the user.
Using fear activation steering to test the hazard judgment criteria of vision-language models
Proposes LGWM, using an action-conditioned world model to verify GUI agent screen transitions.
Measures citation fragility in AI search, demonstrating that ordinary public posts can enter citations and answers.
AbstractThe authors claim the paper quantifies vulnerabilities in AI search caused by citation preferences and low posting thresholds; tests show public web posts can penetrate AI citations, and they call for auditing the citation supply chain.
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。
提出 SSCBench，评测工具调用 Agent 故障注入测试的证据有效性
SSCBench 研究工具使用智能体的故障注入结果，在什么证据条件下可以被解释。
用 BeliefScope 分离固定命题上证据与压力对模型信念的影响
BeliefScope 是一个黑盒行为诊断框架，用来把固定命题上的回答变化拆成证据驱动的修正，和不加新事实的方向性压力。信念修正评测能看到信息基础变化后的更新，谄媚评测能看到用户影响下的顺从或漂移。作者认为，当两种输入都偏向同一结论时，表面偏移本身不能区分来源。
评测 LLM 审计 Agent 日志时来源重建是否有证据支持
包级审计检查保存的智能体动作里，哪些来源结论能被交给分析者的记录支持。
测量委托收费激励下模型策略性虚报任务信心
Abstract论文建立人机委托信誉博弈框架，揭示模型策略性虚报置信度且主要造成信息破坏，作者指出校准受制于报告意愿。
用混合生成式多智能体仿真考察基准留出对评分与满意度差距的影响
提出 PackHallu，经规则文件提示注入诱导编码 Agent 换用攻击者指定包
PackHallu 研究一种针对编程智能体规则文件的提示注入：让智能体在本应使用合法依赖时，改导入攻击者指定并控制的包。
提出 CARE 框架，在误分类风险约束下减少人机协作的人工查询
CARE 是面向人机协同二分类的端到端流水线，要在误分类风险不超过用户容忍的前提下减少人类查询。设定是 i.i.d.数据流、人类 oracle 标签正确、AI 为任意黑盒概率分类器。
提出持久视觉记忆注入，使对抗图像经缓存在触发时操控输出
Abstract论文提出 P-VMI，证实对抗输入被掩蔽后仍可经 KV 缓存持久控制模型，强调了保留状态的安全风险。
提出 World Models' Last Exam 评测视频物理一致性
提出知行差距面板，测量压力下模型是否违背自身判断
本文评估了开源语言模型作为智能体行动时违背自身道德判断的知行差距及其决定因素。
提出 SBW，为 LLM Agent 轨迹做抗改写与伪造的语义行为水印
SBW 是免训练的智能体行为水印，把所有者标识放在离散动作选择上，而不是输出 token。
构建 MedDistract 基准，测量偶发信息对临床文书与推理的污染
在 CWEval 上跟踪代码生成的功能-安全差距
Abstract绝对安全性上升且差距仍在，开放权重并不分开各家族的轨迹。