跳到正文
10月9日 · 周五

全部论文

找到 7 篇
筛选3

攻击类型

越狱6模型篡改1

模型自身风险

欺骗与谋划2失准与价值偏离3危险能力1拒答失当7

防御类型

模型加固4推理时干预1指令与数据隔离1

影响

有害内容7

系统形态

模型与 API7

攻击面/入口

用户输入6图像与音视频1训练数据1

层

提示层2模型层3训练与数据层2

系统组件

监控器1微调与开源权重1视觉1多模态1

被测模型厂商

Qwen（阿里）6其他7
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 692 篇还没打标签，不在筛选结果里。
攻击类型：越狱攻击类型：模型篡改模型自身风险：拒答失当清除全部

另有 692 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 防御arXiv 2609.37837

    Intent-Privilege OPSD：让视觉语言模型在隐式风险下兼顾安全与有用

    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

    arXiv
    2609.37837
    发表
    层
    训练与数据层
    场景
    模型与 API
    测试
    Qwen3-VL-4B-Instruct、LLaVA-1.5-7B、InternVL2-8B
    摘要证据化意图只在训练时使用，单次蒸馏同时提高联合成功并降低数据与训练时间。

    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。

    深度解读完整解读
  3. 可解释性arXiv 2609.04721

    研究：拒答方向可跨架构迁移，安全工具可按写入位置重新估计

    在写入点定位拒答方向，经刚性旋转跨架构迁移并门控放大

    arXiv
    2609.04721
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Falcon-Mamba-7B、Falcon3-Mamba-7B、Llama-3.1-8B 等 8 个
    摘要拒答方向可经刚性旋转跨架构迁移，但必须在各架构的写入点读取。

    作者研究拒答表示是否随架构改变，结论是表示共享、读取位置随架构变。

    深度解读完整解读
  4. 可解释性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

    解释后验安全的权重几何脆弱性，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
  5. 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