Another 232papers do not have category tags yet and are not included in filtered results.
提出 MIPC 与 CFA，观察模型自拟测验后接受开发者身份
这项工作把“模型自己出题、自己批改、再宣布身份已核验”定义成对话层认证失败，并与后端提权分开。
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 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
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。。
Proposes the STAR multi-turn role-playing framework, which bypasses safety alignment through dialogue state evolution
提出 FERRET 框架，用扩展生成多轮多模态越狱对话
Propose MAPA multi-turn adaptive prompt attack, alternating text and visual actions to jailbreak vision-language models
提出 MM-Plan 多模态越狱框架，自动规划多轮图像编辑以越狱视觉独占目标
MM-Plan 是面向 Visual Exclusivity 的 black-box 多模态红队方法，并配有人工基准 VE-Safety。
提出 JustAsk，用在线技能选择提取模型系统提示词
提出 ICON 多轮越狱，用意图-上下文先验生成攻击序列
提出知识驱动多轮越狱 Mastermind，用策略知识闭环攻击对齐模型
提出多轮多模态越狱，并用 FragGuard 拦截有害响应
提出无外部攻击模型的多轮自我越狱方法 SLIP
Abstract论文提出了无外部攻击模型的自我越狱方法 SLIP，指出对齐模型内在能力抑制的漏洞并设计了语义漂移防御。
提出多轮越狱框架 MEEA，用曝光递进提示与模拟退火绕过对齐
提出图像排版操纵与多轮提示越狱，绕过交通场景视觉语言模型安全对齐