防御arXiv:2608.06422 · 8月6日
CMU 研究：分片判断可避免 LLM 监督失效并抵御对抗利用
提出分片监督，将评判标准拆至独立调用以改善一致性并抵御展示攻击
LLM 应用攻击者黑盒测试Claude Opus 4.8、Claude Sonnet 4.6、Claude Opus 4.6 等 5 个应用层
摘要论文揭示决策负载是大模型监督的独立瓶颈，提出分片与辩论机制有效分离注意力与平衡证据，在多项高难度基准上实现稳健评判。
本文系统研究了大语言模型在执行多标准监督与评判时的决策负载瓶颈及其安全风险。
完整解读
防御arXiv:2610.00400 · 10月2日
DART：用表征位移检测多轮 LLM 智能体中的新兴安全风险
提出 DART，用去噪表征转移检测并干预多轮智能体攻击
AI Agent攻击者黑盒测试Qwen3-8B、Qwen3-14B、Qwen3-32B 等 6 个应用层
完整解读
防御arXiv:2609.23596 · 9月20日
StyleAT：用对抗训练防御人脸识别的语义攻击
提出 BoundStyle 与 StyleAT，对抗训练防御人脸识别语义攻击
模型与 API攻击者白盒黑盒测试MobileFaceNet (MobileFace)、ResNet (ResNet-152, IR-SE)、RepVGG 等 7 个训练与数据层
- 模型加固
- 检测规避
摘要BoundStyle 用 StyleGAN3 有界潜编辑快速攻击 FR。
StyleAT 用可调的 StyleGAN3 潜空间攻击 BoundStyle 对人脸识别做对抗训练，以抵抗一般语义编辑，并在评测中面对训练时未见的 DiffPrivate。
完整解读

已经到底了

全部论文

攻击类型