Another 201papers do not have category tags yet and are not included in filtered results.
Proposes SWE-DeceptionBench to evaluate LLM deception in the software development lifecycle
Trace attention to identify harmfulness to the MLP refusal write pathway and propose Sentinel
The authors reframe jailbreaking and excessive refusal of aligned models as a pathway problem on the residual stream from recognition to writing, and accordingly provide conditional reminders before decoding.
Using FIBS to train white-box probes to monitor agent sabotage behavior and undisclosed deception
检验推理 token 数能否区分被提示的诚实与不诚实作答
三个推理模型在被提示的回答政策下出现组水平推理 token 差异。作者把它当作不读思维链内容的 black-box 候选信号，而不是自发欺骗检测器。
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。
定位安全敏感参数并稀疏改动权重以削弱安全对齐
构建 MedDistract 基准，测量偶发信息对临床文书与推理的污染
构建基准 DECEPEVAL，评测 LLM 智能体在外部条件下的欺骗
DECEPEVAL 是一个评测 LLM 智能体欺骗如何随任务、职业场景和外部条件变化的基准。
研究者提出一种轻量级路由 logits 安全检测器，在提示词预填充阶段读取 MoE 视觉语言模型的专家路由信号，在生成前判断多模态请求是否安全，且不修改模型参数或专家路由。
作者在两个指令微调 MoE VLM 上比较改模型与读路由。组合式风险按 HoliSafe 分成五类：图文各自可安全，合在一起才不安全，或不安全内容只在图像里。
提出 ProbeGuard，按共识形成过程对医疗问答做选择性弃答
ProbeGuard 是给多轮共识医学问答用的认证弃权框架：基板照原样作答，弃权只看共识是怎么形成的。
提出 SAFESHIELD，组织小语言模型部署时的安全决策
SAFESHIELD 是面向小语言模型的部署时安全框架，把运行时安全从单项审核改写成可检查的决策过程。
提出 Trust Layer 后置审查框架，核验智能体基准记录分数是否可信
Abstract论文提出了后置验证智能体记录分数的四维信任层，揭示了基准高分背后普遍存在作弊、虚报与不稳定现象。
构建 BazaarBench，评测 C2C 市场中 Agent 的违规与失信行为
BazaarBench 针对大语言模型智能体在去中心化 C2C 交易中的代理安全问题，提出了一个结合底层实体状态与大模型裁判的仿真基准平台。
提出基于决策前隐藏状态的检测与引导，预测并抑制智能体欺骗
Abstract论文展示了智能体自发欺骗可在行为显现前由内部表征预测，并通过激活引导证实了表征的行为可操作性。
提出 VERA，审计 LLM 漏洞解释里的虚构推理
提出 Inspect Robots，在真实机器人上评测具身模型的能力与拒答
提出 CAP 指标与 CSFD 算法，发现被抑制的安全特征
Abstract论文指出越狱通过抑制安全特征运作，提出 CAP 与 CSFD 补充了针对激活特征的解释性方法。
提出 EmoRSS，推理时在拒绝子空间反向抵消情绪激活偏移以缓解过度拒答
提出 Prefix Steering，以短前缀激活引导控制行为并保住能力
本文用注意力层匹配连接提示词与激活干预，并把干预改成从末提示词 token 开始的短前缀。