另有 527 篇论文还没打上分类标签，暂不在筛选结果里。
提出 PatchBench-Local 协议，评测激活补丁修复越狱的局部附带损伤
摘要论文提出 PatchBench 与局部评估协议，揭示了激活补丁在全局能力无损下仍存局部良性退化。
提出危害窗口与区间指标，统一评测分解攻击和提示注入下的智能体滥用监视
摘要统一智能体滥用监视框架，动作视角兼顾两类威胁但危害定位仍存瓶颈。
提出 UnAct，仅以前向激活干预从分类器中遗忘指定类别
UnAct 是一种事后类别遗忘：删除请求可以只有少量该类图像，且没有标签和保留数据。它不用梯度，只对遗忘图像做前向。编辑对象是分类器所读的后期单元。
提出 Persona Guardrail，强制客服智能体守住功能边界
Persona Guardrail 是客服向智能体的同步运行时防御：先写明功能边界，再决定放行或拦截，而不是只检测某一攻击类。
提出基准 OLMo-Detect 评测 LLM 成员推断
用分类后缀提升激活探针对分布外恶意输入的检测
用户轮后的分类后缀，被作者用作激活探针的分布外检测干预：排序看格式，低 FPR 精度看是否点名恶意/良性。
提出 DART，用去噪表征转移检测多轮智能体攻击并注入提醒
提出用扰动蒸馏本地代理并离线过滤来提取黑盒模型凭据
摘要论文提出扰动蒸馏与离线过滤两阶段框架，实现了 output-only 访问下延迟降低的黑盒大模型 API key 提取。
提出 Constitutional adapters，蒸馏宪法行为以缓解越狱与失准
摘要差分宪法适配器在长上下文和多轮上更稳，并可按 α 换取遵从。
提出免训练框架 SED，将有害智能体轨迹蒸馏为可检索安全策略
诊断护栏相对基座在对抗提示上的置信失校
诊断性分析：五个提示词分类 guard 的置信度，在清洁输入上可以较校准，在越狱包装后则变成高置信度的错误判定。
提出用邻居分数替代参考模型的单轮成员推断
本文研究 one-round 成员推断：只有一个目标模型、不能再训练参考模型时，如何仍做逐样本校准，并用于单次运行的 DP 审计。
用配对续写与激活修补分析工具智能体越狱后的安全路由
这篇工作把越狱上下文残留之后的运行时安全反馈，做成工具智能体上的三路路由问题，并用激活修补给这个路由一个晚层的因果位点。作者认为，反馈可能恢复合法执行、留下未授权动作，或误伤良性流程，而现有攻击、基准和静态护栏没有在固定历史上把这三种结局分开。配对续写因此从同一冻结检查点分别接中性提醒 N 和安全反馈 S，并交叉保留越狱 J+ 与中和越狱 J0。
提出工具型 Agent 的自适应攻击 DART 与预执行防御 SAGE
摘要论文提出状态控制框架 SEAD、攻击 DART 与防御 SAGE，实验显示执行反馈与环境探测在攻防交互中具有关键作用。
提出 CAM-Steer，推理时按多类别风险引导隐藏状态以降低有害回复
提出 Leaky，用新鲜轨迹的 token 对数概率差推断 OPD 训练记录成员身份
提出 AnchorRep，用 LoRA 推离有害提示表征以防御跨模型越狱迁移
提出 SCALPEL，用对比 SAE 在表征层选择性遗忘特定事实
SCALPEL 是不改基座权重的表征层遗忘方法，面向与保留数据重叠的窄目标。
用能量势垒信号检测扩散语言模型的越狱
Bach 等提出用去噪能量景观解释 masked diffusion 语言模型上的越狱，并由此得到三个免训练检测信号。。
提出 AEGIS，用中层内部信号选择性激活后层适配器拦截音频越狱