Another 227papers do not have category tags yet and are not included in filtered results.
提出 IRIS，用意图恢复率区分遮蔽越狱下无害输出的原因
IRIS 把意图恢复当作中间信号，用来解释意图遮蔽提示下为何没有出现有害协助。
ASRD 用四态标签检查五个开源模型如何处理非规范表面上的有害请求。
提出 StegoMemory，评测智能体持久记忆作为跨会话隐写信道
Abstract研究揭示智能体持久记忆可作为隐蔽信道跨会话传输机密，写入持久化是主要防御瓶颈，呼吁建立记忆完整性防御。
提出 MMSkillRisk 基准，评测多模态技能图像中的隐藏指令诱导 Agent 越权操作
Abstract论文提出 MMSkillRisk 基准与 NCVA 攻击，揭示多模态技能中教学图像潜藏指令可引发未授权操作并与良性任务共存。
提出 DIVA，将有害意图拆成视觉锚点与运动文本以越狱视频生成模型
DIVA 是针对带参考图的视频生成模型的免训练 black-box 越狱：用一致性机制本身堵住语义漂移这条安全逃逸路径。。
提出 SinoGlyphBench，用配对字形混淆诊断中文审核稳定性
SinoGlyphBench是一个配对诊断基准，用来看内容审核在可还原的中文字形混淆下是否还保持原决定。
提出 SkillMisevo-Bench，量化自改进 Agent 的技能误演化
提出 SYNCHAIN，诱导计算机使用 Agent 自建跨任务持久攻击链
Abstract论文揭示了 CUA 自合成工件带来的内部供应链威胁，验证了潜伏载荷的跨任务传播能力与防御局限。
提出最小范数攻击集成，用鲁棒性曲线评测图像分类器
这篇工作把对抗鲁棒评测从单一 ε、固定集成，改成可按查询预算收紧的曲线估计。
提出 LogInject 框架，评测日志分析中的被动提示注入及缓解
Abstract论文评估了 LLM 日志分析中的上下文污染风险，提出分片拼接等攻击与三层防御，指出必须结合架构隔离与人工介入。
提出 MEMGHOST，用单封邮件对持久个人 Agent 做跨会话隐蔽记忆注入
本文研究了持久化个人智能体面临的隐蔽记忆注入威胁，提出了一套兼顾写入、隐蔽与跨会话生效的自动化生成框架与全周期评测基准。
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 PaperGuard，用图文注入与梯度扰动抬高自动审稿分数并检测恶意指令
PaperGuard同时评测并检测多模态 AI 审稿中的评分操纵。
提出 SpeechJBB，评测语码转换语音下音频语言模型的越狱稳健性
SpeechJBB 用合成语音测量 LALM 在五语、语码转换和局部伪词混淆下的安全对齐，并另设口语理解对照。
系统研究 LLM 智能体记忆投毒并构建基准 MPBench
Abstract系统研究了智能体记忆投毒风险，揭示了写入渠道漏洞，构建了 MPBench 基准并指出提示注入防御的局限。
构建 Trojan Hippo Bench，评测 Agent 持久记忆投毒与外泄
Abstract论文提出了评测智能体持久化记忆攻击与防御的 Trojan Hippo Bench，揭示了潜伏攻击威胁及内存防御的安全与效用权衡。
用 OpenRAG-Soc 评测社交网页 RAG 的间接提示注入与检索投毒
提出 StealthGraph，合成领域隐式有害提示并评测模型
提出 CSSBench 评测轻量模型对中文表面对抗改写的失守与过度拒绝
CSSBench 评测轻量 LLM 在中文特有表面改写下的安全，并同时测量过度拒绝。要处理的缺口是：英文向护栏和只测干净查询的中文基准，看不清同音、拼音、符号混写、零宽字符这些写法下的失守，也分不清较低风险来自细粒度判断还是粗粒度拒答。作者称轻量模型更需要这种评测。
提出 MOBjailbreak，将恶意优化算法请求改写为无害表达实施越狱