Another 203papers do not have category tags yet and are not included in filtered results.
提出闭环激活引导，在扩散语言模型去噪过程中注入定向偏见
Abstract通过去噪中间概率反馈动态调节残差流转向，证明扩散语言模型在推理服务栈中存在闭环偏见注入脆弱性。
提出核化激活引导 KAS，在推理时自适应转向激活以诱导越狱
Kernelized Activation Steering（KAS） 把推理时的激活转向写成核空间中的优化，使更新随当前激活相对源、目标参考集的位置而变化。
提出只训练或篡改多智能体潜在通信链路来提高有害遵从
学习得到的潜在通信链路会改变由冻结、对齐智能体组成的系统是否遵从有害请求。。作者研究三种拓扑：双智能体、三级顺序协作，以及双专家加汇总。
提出控制标记注入，清空工具 Agent 的思维链以绕过推理监控
Abstract论文阐明控制标记注入可抑制 CoT 使监控失效并促成拒绝绕过，且工具执行受解析器宽容度影响。
提出 SN-Guided Diffusion，利用安全神经元实现离线越狱
论文系统评估了扩散大语言模型（DLLM）在安全对齐中的双重角色——既作为白盒攻击目标，又作为黑盒越狱生成的对抗工具。
提出 SMT 框架，用模拟审核轨迹越狱函数调用 LLM
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。
提出日志基底提示注入，操纵 SOC 分析员的分类、摘要与处置建议
Abstract在 gpt-4o-mini 上，人格劫持与上下文操纵可改写 SOC 分析输出，直接覆盖在分类上无效。
提出单神经元激活干预，抑制拒答神经元或放大概念神经元以绕过安全对齐
Abstract作者称大模型安全由拒答门控与概念底座构成，干预单个神经元足以双向击穿对齐，且拒答神经元在预训练阶段已然存在。
Propose the Amnesia activation-guided attack to bypass model safety refusal during inference
Proposes TFL targeted bit flipping so that selected prompts output false answers while unrelated queries remain correct
TFL is a framework for targeted bit flips on LLM main memory weights: the attacker wants a selected prompt to output a specified false answer keyword while limiting degradation on unrelated queries.
Proposes ShallowJail, which achieves jailbreaks by rewriting hidden states with steering vectors at inference time
Proposes CFA2, using SAE to locate defense directions and orthogonalizing output weights to achieve jailbreak
提出查询无关黑盒攻击 DQ-A，用可迁移文末后缀降低文档检索排名
DQ-A 是一种 query-agnostic、complete black-box 的文档隐藏攻击，对象是用最后隐层相似度匹配的 LLM 检索。
提出查询中心词的单次插入或替换攻击，操纵神经排序名次
单个与查询对齐的词，就可能改掉神经重排结果。要做的是少改原文，仍把目标文档在 NRM 列表里的名次抬高。
提出 GOSV，全局优化定位安全注意力头并在推理时重贴激活越狱
提出 Latent Fusion Jailbreak，插值有害与无害隐藏状态实施白盒越狱