跳到正文
10月8日 · 周四

阿里巴巴 · Qwen · 论文

找到 4 篇
筛选2

攻击类型

越狱3提示注入3投毒与后门1模型篡改1提取与窃取1

模型自身风险

拒答失当2

防御类型

模型加固4指令与数据隔离1

影响

有害内容3数据与隐私泄露1

系统形态

模型与 API3AI Agent1

攻击面/入口

用户输入3网页与界面1工具返回1训练数据1权重与梯度1

层

模型层1应用层1训练与数据层2

系统组件

微调与开源权重1

被测模型厂商

其他4
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 28 篇还没打标签，不在筛选结果里。
攻击类型：越狱攻击类型：模型篡改话题：阿里巴巴 · Qwen清除全部

另有 28 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 防御arXiv 2609.02786

    SafeEvolve：基于智能体经验的 Harness-Policy 协同演化安全对齐框架

    提出 SafeEvolve，用轨迹证据协同演化安全 harness 与策略

    arXiv
    2609.02786
    发表
    层
    应用层
    场景
    AI Agent
    测试
    Qwen3.5-4B、Qwen3-4B-Instruct-2507、Qwen3.5-1.7B 等 4 个
    摘要SafeEvolve 用轨迹证据协同更新安全 harness 和策略，在两个 4B 模型的智能体安全基准上改变安全与效用。

    SafeEvolve 把已完成的 on-policy 轨迹变成安全 harness 的有界更新，并用两阶段 SFT-RL 把这些更新内化进工具使用策略。

    深度解读完整解读
  2. 防御arXiv 2609.19325

    AUDITPLAN：先提交安全计划再作答的可审计安全对齐方法

    提出 AUDIT PLAN 先计划后作答，并用 FAITHGATE 绑定答案奖励与计划正确性

    arXiv
    2609.19325
    发表
    层
    训练与数据层
    场景
    模型与 API
    测试
    Qwen2.5-1.5B-Instruct、Qwen2.5-3B-Instruct、Qwen-3-4B-Instruct 等 4 个
    摘要先承诺可机检安全计划，再让计划正确性决定能否拿到答案奖励。

    AUDIT PLAN 把安全对齐从“只优化最终答案”改成“先提交隐藏的结构化安全计划，再按该计划作答”，并用 FAITHGATE 把高答案奖励限定在计划正确时。

    深度解读完整解读
  3. 防御arXiv 2609.06934

    论文提出拒答的几何解释：事后安全训练脆弱，预训练期持续安全共训更抗攻击

    用权重几何解释事后安全脆弱，并提出预训练持续安全共训练

    arXiv
    2609.06934
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Qwen-2.5-7B、Qwen-2.5-7B-Instruct、Llama-3-8B 等 15 个

    摘要论文将后验安全脆弱性归因于正交抑制，并提出通过预训练持续共训练实现具备微调抗性的安全防护。

    深度解读完整解读
  4. 防御arXiv 2608.13304

    WIFA：按意图分组监督缓解包装式越狱与过度拒答

    提出 WIFA 意图组监督微调，缓解包装式越狱与过度拒答

    arXiv
    2608.13304
    发表
    层
    训练与数据层
    场景
    模型与 API
    测试
    Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、Qwen-72B 等 4 个
    摘要WIFA 用匹配意图组做数据层，WIFA-Boost 偏高安全，A-GCRT 在 Qwen 上把过拒降到基座以下。

    WIFA 是一种自动意图组数据构造，用来让安全微调拒绝有害意图而不是拒绝表面包装。WIFA-Boost 与 A-GCRT 在同一数据层上选取不同的安全–过拒工作点。

    深度解读完整解读
已经到底了