另有 538 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。
评测文生图模型的有害内容生成能力与审核检测缺口
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。
构建 AGENTDOXX 基准，评测联网搜索 Agent 对匿名访谈的再识别
摘要论文提出了已知身份的重识别基准 AGENTDOXX，揭示搜索与记忆双重风险及现有防御在检索轨迹中的泄露漏洞。
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 AgentTrap 有状态蜜罐，欺骗并反击自主渗透测试 Agent
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 Intent-Privilege OPSD，蒸馏证据化意图以对齐视觉语言模型的安全与有用
Intent-Privilege OPSD 针对视觉语言模型的跨模态隐式风险，把安全与有用性放进同一个训练目标，并要求部署时不再看意图。图像和文本可以各自无害、合在一起才有风险。
提出 ACTR，只更新安全思考神经元以对齐推理与回答的安全类别
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
用 SCM 合成会话并训练检测器识别推理层滥用
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。
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 EOPSA，用 TRR 截断与安全类过滤做在策略自蒸馏安全对齐
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 SafeMol，联合对齐分子多模态模型的文本与图输入
SafeMol 研究分子多模态模型在危险分子相关请求上的安全对齐，并同时看过拒和任务效用。
提出 ORBIT 框架，评测多智能体防御对合谋等威胁的效果
摘要ORBIT 用六层配置比较多智能体防御，逐动作监控不迁移到合谋。
提出 AnchorRep，用 LoRA 推离有害提示表征以防御跨模型越狱迁移