跳到正文
10月8日 · 周四

阿里巴巴 · Qwen · 论文

找到 3 篇
筛选2

攻击类型

越狱2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

失准与价值偏离1

防御类型

模型加固3指令与数据隔离1

影响

有害内容1数据与隐私泄露1输出被操纵1

系统形态

模型与 API2AI Agent1

攻击面/入口

用户输入2网页与界面1工具返回1训练数据1

层

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3
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 32 篇还没打标签，不在筛选结果里。
攻击类型：越狱攻击类型：投毒与后门话题：阿里巴巴 · Qwen清除全部

另有 32 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 防御arXiv:2609.01091 ·

    上海交大等提出 trait-direction drift 机制与探针空间走廊正则，抑制蒸馏中的潜隐特质迁移

    提出特征方向漂移机制与探针空间走廊正则，抑制蒸馏潜隐特质迁移

    模型与 API测试Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、Gemma-3-12B-IT 等 4 个训练与数据层

    摘要论文将潜意识学习归结为特征方向漂移的持续累积，并提出走廊正则化在微调中控制隐蔽特征转移。

    完整解读
  2. 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

    AI Agent测试Qwen3.5-4B、Qwen3-4B-Instruct-2507、Qwen3.5-1.7B 等 4 个应用层
    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。

    完整解读
  3. 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

    模型与 API测试Qwen2.5-1.5B-Instruct、Qwen2.5-3B-Instruct、Qwen-3-4B-Instruct 等 4 个训练与数据层
    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。

    完整解读
已经到底了