全部论文

AUDITPLAN：先提交安全计划再作答的可审计安全对齐方法

提出 AUDIT PLAN 先计划后作答，并用 FAITHGATE 绑定答案奖励与计划正确性

arXiv

2609.19325

发表

9月17日

层

训练与数据层

场景

模型与 API

测试

Qwen2.5-1.5B-Instruct、Qwen2.5-3B-Instruct、Qwen-3-4B-Instruct 等 4 个

• 防御模型加固
• 攻击越狱
• +1+1

存储不等于策略：面向 LLM 遗忘的状态条件支持控制

提出 Intervention Score 与 DIR-R，按干预效果选择并修订遗忘参数支持

arXiv

2609.37858

发表

9月29日

层

训练与数据层

场景

模型与 API

测试

Llama 3 8B、Gemma 2 2B、Qwen2.5-7B 等 4 个

• 防御模型加固
• 攻击提取与窃取

研究者提出 COVER：在语言预算下选择源语言实现跨语言遗忘

提出 COVER，在语言预算下选择源语言实现跨语言知识遗忘

arXiv

2609.40286

发表

10月1日

层

训练与数据层

场景

模型与 API

测试

Tiny Aya Global、Qwen3-4B-Instruct-2507、Llama-3.2-3B-Instruct

• 防御模型加固
• 攻击提取与窃取

RAPID：面向文生图服务的实时防未授权蒸馏防御

提出 RAPID，离线把抗蒸馏扰动写入文生图解码器

arXiv

2609.15799

发表

9月15日

层

模型层

场景

模型与 API

攻击者

黑盒

测试

PixArt、SSD、SDXL 等 4 个

• 防御模型加固
• 攻击提取与窃取
• 组件图像生成

Adaptive Diffusion Freezing：抵御成员推理攻击的隐私保护扩散模型

提出 Adaptive Diffusion Freezing，降低扩散模型的成员推理风险

arXiv

2609.10608

发表

9月8日

层

训练与数据层

场景

模型与 API

• 防御模型加固
• 攻击提取与窃取

IDUnlearn-Bench：面向视觉语言模型的个体级遗忘基准

提出 IDUnlearn-Bench，评测 VLM 个体级遗忘后的身份残留

arXiv

2609.33481

发表

9月27日

层

训练与数据层

场景

模型与 API

测试

Qwen3-VL-2B、Qwen3-VL-4B、Qwen3-VL-8B 等 6 个

• 防御模型加固
• 攻击提取与窃取
• 组件视觉

机器遗忘在 ASR 中是否有效：arXiv 论文评估现有算法与评测工具

arXiv

2609.34092

发表

9月28日

层

训练与数据层

场景

模型与 API

测试

E-Branchformer

• 防御模型加固
• 攻击提取与窃取
• 组件音频