另有 643 篇论文还没打上分类标签，暂不在筛选结果里。
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
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。
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 Safety Operator，用谱优化调节安全指令表达强度
构建 TriggerBench 并训练 ThinkingGuard，检测图文隐式风险
这篇工作研究多模态隐式风险检测：图文各自良性，风险只在关键元素与触发元素交互时出现。
提出 MOMAT 多图集检索与轻量判定，防御量化模型越狱
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
提出生成式护栏 HiveTraceGuard-Pro，检测提示注入、越狱与混淆
HiveTraceGuard-Pro 是面向请求与回复审核的 0.6B 生成式护栏，由 Qwen3-0.6B 经 LoRA 微调，在俄语和英语上训练，只输出一个 safe/unsafe 裁决。
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。
用后验重加权解释多模态上下文越狱，并提出风险门控的良性示例注入防御
Zhang 等把多模态 ICL 越狱写成对齐模型在安全与有害隐模式之间的推理时后验漂移，并据此做风险门控防御。
提出 HERALD，用跨层有害投影轨迹检测越狱提示
摘要HPD 用跨层投影形状区分有害与良性提示。
提出 SPARK，在预填充阶段修复多模态 KV 记忆以防御视觉语言模型越狱
提出 Cunning 两阶段训练，用非安全数据培养警觉后再做安全对齐
Cunning 是一种两阶段对齐：先用与安全目标不绑定的推理陷阱题培养 vigilance，再接常规安全微调，使安全判断更常在有害计划之前控制回复。
提出 WIFA 意图组监督微调，缓解包装式越狱与过度拒答
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。
提出 Safin-1，以可路由 Safety State 在冻结主干上实现内在安全
提出局部稀疏无监督安全检测，标记偏离安全分布的输入
用 SCM 合成会话并训练检测器识别推理层滥用
提出 REINS，在 SAE 空间抑制有害延续并增强拒答
REINS 是一种推理时 SAE 安全转向方法，并配有用于上下文伪装的基准 GUISE。
提出 AEGIS，用中层内部信号选择性激活后层适配器拦截音频越狱
用能量势垒信号检测扩散语言模型的越狱
Bach 等提出用去噪能量景观解释 masked diffusion 语言模型上的越狱，并由此得到三个免训练检测信号。。
提出 AnchorRep，用表征排斥防御跨模型越狱迁移