防御arXiv:2609.19325 · 9月17日
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
模型与 API测试Qwen2.5-1.5B-Instruct、Qwen2.5-3B-Instruct、Qwen-3-4B-Instruct 等 4 个训练与数据层
摘要先承诺可机检安全计划，再让计划正确性决定能否拿到答案奖励。
AUDIT PLAN 把安全对齐从“只优化最终答案”改成“先提交隐藏的结构化安全计划，再按该计划作答”，并用 FAITHGATE 把高答案奖励限定在计划正确时。
完整解读
防御arXiv:2610.00209 · 10月2日
基于差分隐私扩散模型的能源时间序列插补：裁剪感知的目标条件化方法
提出时间步感知目标条件化，改善差分隐私能源时序插补效用
模型与 API测试DiT-style Transformer、PatchTST、TimesNet 等 5 个训练与数据层
- 提取与窃取
摘要固定阈值 DP-SGD 下，v-prediction 加 ᾱt 加权降低能源时序插补误差，并降低后期低 SNR 的裁剪前梯度。
作者研究固定阈值 DP-SGD 训练的扩散模型，如何在余弦调度的后期低 SNR 时间步避免 ε-prediction 产生易被裁剪的大梯度，从而做能源时序缺失值恢复。
完整解读
防御arXiv:2609.37858 · 9月29日
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
模型与 API测试Llama 3 8B、Gemma 2 2B、Qwen2.5-7B 等 4 个训练与数据层
- 模型加固
- 提取与窃取
摘要作者把局部化遗忘拆成初始干预选择和检查点修订，并在三个设置里分别给证据和边界。
Storage Is Not Strategy 研究局部化 LLM 遗忘里两个常被混在一起的决定：一开始该更新哪些参数，以及优化改变模型之后这个选择要不要改。
完整解读
防御arXiv:2609.14003 · 9月12日
FlowSeal：用信息流控制阻断 LLM Agent 的隐私泄露
提出 FLOWSEAL，在工具边界以信息流控制阻断智能体隐私泄露
AI Agent测试DeepSeek-V3.2、DeepSeek-R1、GPT-4.1-mini 等 4 个应用层
摘要作者分析大模型智能体隐私检查与攻击面重合问题，提出外部拦截防御 FLOWSEAL 并验证有效性。
完整解读

已经到底了

全部论文

攻击类型

防御类型

影响

系统形态

攻击面/入口

层

系统组件

被测模型厂商

AUDITPLAN：先提交安全计划再作答的可审计安全对齐方法

基于差分隐私扩散模型的能源时间序列插补：裁剪感知的目标条件化方法

存储不等于策略：面向 LLM 遗忘的状态条件支持控制

FlowSeal：用信息流控制阻断 LLM Agent 的隐私泄露