跳到正文
10月8日 · 周四

全部论文

找到 8 篇
筛选2

攻击类型

越狱17提示注入30投毒与后门29模型篡改3提取与窃取12检测规避6拒绝服务1恶意使用2

攻击技术

自动化搜索1多轮渐进1编码与混淆2角色扮演与说服1推理链操控1针对防御4

模型自身风险

危险能力1

防御类型

模型加固1

影响

越权操作1数据与隐私泄露1输出被操纵3监督失效1滥用能力提升1

系统形态

模型与 API4AI Agent4编程 Agent2多智能体1

攻击者权限

黑盒6白盒2无盒1

攻击面/入口

用户输入4工具与技能描述1Agent 间消息1图像与音视频2分发渠道1

层

提示层2模型层2应用层3训练与数据层1

系统组件

MCP 与技能1护栏与评审2监控器1推理链1图像生成1多模态1

被测模型厂商

Qwen（阿里）6OpenAI5其他8
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 1021 篇还没打标签，不在筛选结果里。
攻击类型：检测规避攻击类型：恶意使用清除全部

另有 1021 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 攻击arXiv 2609.39607

    Pretext 攻击绕过 NVIDIA SkillSpector 等 Agent 技能扫描器

    提出 PRETEXT，迭代改写技能文本以绕过扫描并执行木马行为

    arXiv
    2609.39607
    发表
    层
    应用层
    场景
    编程 Agent
    攻击者
    白盒
    测试
    glm (z-ai/glm-5.1)、qwen3t (qwen/qwen3-235b-a22b-thinking-2507)、gpt-oss (openai/gpt-oss-120b) 等 4 个
    摘要论文提出了针对多阶段技能检测器的白盒攻击，揭示了单纯依赖大模型自适应检测的局限。

    PRETEXT 是一项针对基于“静态规则加语义大模型”的智能体技能安全检测框架的白盒攻击与协同进化评估研究。

    深度解读完整解读
  2. 攻击arXiv 2609.15989

    研究者提出 plan injection 攻击，可绕过思维链监控

    提出计划注入攻击，植入良性表述的有害计划以逃避思维链监控

    arXiv
    2609.15989
    发表
    层
    提示层
    场景
    模型与 API
    攻击者
    黑盒
    测试
    Qwen2.5-Coder-7B-Instruct、Qwen3-8B、DeepSeek-R1-0528 等 6 个

    摘要论文指出模型会将外部上下文中的伪装计划改写为自身推理，使思维链监视器失效甚至反向合理化恶意行为。

    深度解读完整解读
  3. 攻击arXiv 2610.01768

    LLMLeak：借 LLM 合法网页抓取实施隐蔽数据外泄

    提出 LLMLeak，把机密编进报错 URL，借聊天机器人网页抓取外传

    arXiv
    2610.01768
    发表
    层
    应用层
    场景
    AI Agent
    测试
    Meta-Llama-3.3-70B-Instruct、Meta-Llama-4-Scout-17B-16E-Instruct、Meta-Llama-3.1-8B-Instruct 等 15 个
    摘要LLMLeak 用报错 URL 借聊天机器人抓取外传秘密。

    LLMLeak 研究一种隐蔽外传：本地恶意软件已拿到机密，却因为网络限制或监控不能直接连接攻击者，于是把秘密放进看起来像排障文档的 URL，让良性聊天机器人的网页抓取工具在访问时把秘密带出去。

    深度解读完整解读
  4. 攻击arXiv 2609.08236

    研究：内容不变的风格包装可翻转 LLM 安全评判器的判定

    提出内容不变样式包装，翻转安全评审器的判定

    arXiv
    2609.08236
    发表
    层
    提示层
    场景
    模型与 API
    攻击者
    无盒、黑盒
    测试
    Keyword (rulebased)、GPT-4o-mini (gpt4o)、GPT-4o-mini (strongreject) 等 12 个
    摘要论文揭示特定安全评审器易受保持内容不变的外层包装诱导改变判定，并指出安全评估应将判定稳定性作为重要考量指标。

    这是一项关于大语言模型自动化安全评审系统表面样式脆弱性的评估研究。

    深度解读完整解读
  5. 攻击arXiv 2609.15383

    微软团队提出 capability laundering 攻击：弱模型拆分任务向对齐前沿模型套取能力

    提出能力洗钱攻击，让未对齐编排器拆分任务向对齐模型套取能力

    arXiv
    2609.15383
    发表
    层
    应用层
    场景
    编程 Agent
    攻击者
    黑盒
    测试
    GPT-5.5、Claude Opus 4.8、Grok-4.3 等 7 个

    摘要作者提出了能力洗钱攻击，发现未对齐编排器分解咨询对齐模型可恢复能力差距，指出需建立跨会话防御。

    深度解读完整解读
  7. 攻击arXiv 2609.23596

    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

    arXiv
    2609.23596
    发表
    层
    训练与数据层
    场景
    模型与 API
    攻击者
    白盒、黑盒
    测试
    MobileFaceNet (MobileFace)、ResNet (ResNet-152, IR-SE)、RepVGG 等 7 个
    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。

    深度解读完整解读
已经到底了