另有 643 篇论文还没打上分类标签，暂不在筛选结果里。
提出 SKILLCLONE，仅凭良性任务交互重构 Agent 隐藏技能功能
论文从功能保密视角系统研究了大语言模型智能体技能的行为重构威胁。
构建 APort Vault 基准，对比裸模型与确定性授权对越权支付的拦截
提出 SigLeak，从良性查询的执行轨迹推断专有 Agent 技能
摘要提出了通过良性查询和对照轨迹推断黑盒专有技能的 SigLeak 框架，揭示了智能体执行可见性带来的行为侧信道泄露风险。
利用加密思维块的跨模型重放，诱导弱模型逐字转写专有推理链
摘要论文揭示了客户端加密思维块跨模型互换漏洞，提出了低成本提取方法并给出防御方案。
提出 SEAL，在 MoE 共享专家上做 DPO-LoRA 对齐以抵御越狱与权重篡改
SEAL是面向混合 MoE 的训练时防御：只对齐始终执行的共享专家，使安全不依赖路由器是否把 token 送到安全专家。
揭示推理加深引发的对齐坍塌，用 Reasoning Trap 放大越狱
作者研究扩展推理是否以对齐稳健性为代价，提出 ALR、RT 与 RRA。。
提出闭环自适应红队框架 CART，评测模型与工具 Agent 的风险面
CART 把自动红队从一次清单式打分，改成带预算、可追溯的闭环搜索。
提出生物红队模型 Intern-BioBreaker，多轮越狱诱导模型输出可操作生物危害
摘要论文通过构建专用红队模型评估前沿大模型的生物安全漏洞与物理转化风险。
提出 JailbreakSkill，用可演化技能自动搜索并复用越狱提示
提出 LeakGauge，用行为后缀的 prefill 对数概率检测上下文泄露
提出 EvoSafeHarness，为冻结模型与目标域自动搜索安全 harness
提出 SEAV，逐步核验越狱回复的事实与操作有效性
SEAV 是一层生成后的越狱评测：回复要相关、事实正确、顺序合规，并且在操作上足以推进有害意图，才算成功。。
提出多轮越狱框架 BLUEPRINT，用世界观模拟与心理因素诱导有害输出
BLUEPRINT 是一个将因子化社会影响力策略空间与跨轮世界观模拟解耦的多轮大语言模型安全评测框架。
提出 TIER 基准，按威胁隐晦度评测有害提示下的安全行为
提出免训练框架 SED，把智能体有害轨迹蒸馏成可检索安全策略