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

REINS：用 SAE 特征同时抑制有害续写并增强拒答的引导方法

提出 REINS，在 SAE 空间抑制有害延续并增强拒答

arXiv

2608.28233

发表

8月28日

层

模型层

场景

模型与 API

测试

Qwen3.5-4B-Base、Qwen3.5-2B-Base、Gemma-3-1B-IT

• 防御推理时干预
• 攻击越狱

FUSE：面向大语言模型危险能力的模块化评测框架

提出 FUSE 框架，评测大语言模型的化生危险能力

arXiv

2609.02168

发表

9月2日

层

模型层

场景

模型与 API

测试

Claude-3-Haiku、Claude-Opus-4、Claude-Opus-4.5 等 13 个

• 攻击越狱
• 风险危险能力

SafeMol：分子多模态模型的双模态安全对齐

提出 SafeMol，联合对齐分子多模态模型的文本与图输入

arXiv

2609.33640

发表

9月27日

层

训练与数据层

场景

模型与 API

攻击者

黑盒

测试

GPT-4o、Llama-3.2-1B-Instruct、Omni-Mol v2 等 5 个

• 防御模型加固
• 攻击越狱

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