全部论文

PatchBench 提出激活补丁局部评测协议，揭示越狱修复的附带损伤

提出 PatchBench-Local 协议，评测激活补丁修复越狱的局部附带损伤

arXiv

2610.10276

发表

10月7日

层

模型层

场景

模型与 API

测试

Qwen2.5-3B-Instruct、Qwen2.5-14B-Instruct、gemma-3-4b-it 等 8 个

• 防御推理时干预
• 攻击越狱

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

ACEA：面向红蓝队对抗的 LLM 协同演化测试平台

提出红蓝对抗评测平台 ACEA，分开计量攻击强度与防御效果

arXiv

2609.08256

发表

9月8日

层

提示层

场景

模型与 API

测试

openai/gpt-4o、google/gemini-2.5-pro、google/gemma-3-27b-it 等 5 个

• 攻击越狱
• 组件护栏与评审

PrivDrift：审计活跃 LLM 对话中话题漂移下的用户秘密泄露

提出 PrivDrift 基准，审计话题漂移后的用户秘密复述

arXiv

2609.30094

发表

9月25日

层

提示层

场景

模型与 API

测试

GPT-OSS-120B、DeepSeek-R1、Qwen3-VL-235B

• 攻击提取与窃取
• 技术角色扮演与说服

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