跳到正文
10月10日 · 周六

全部论文

找到 8 篇
筛选8

攻击类型

越狱8提示注入78投毒与后门23模型篡改13提取与窃取8检测规避17拒绝服务3

影响

有害内容4

系统形态

模型与 API5AI Agent3

攻击者权限

黑盒3

攻击面/入口

用户输入54网页与界面1文档与消息2工具返回12图像与音视频6权重与梯度3推理服务与硬件2

层

模型层4应用层3基础设施层1
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 232 篇还没打标签，不在筛选结果里。
攻击类型：越狱攻击面/入口：网页与界面攻击面/入口：文档与消息攻击面/入口：权重与梯度攻击面/入口：推理服务与硬件层：模型层层：应用层层：基础设施层清除全部

另有 232 篇论文还没打上分类标签，暂不在筛选结果里。

  4. 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
    被测模型
    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
  6. 攻击arXiv 2606.11817

    研究：语法约束解码可越狱 LLM 生成恶意代码，并提出 CodeShield 防御

    提出 CodeSpear 越狱，借语法约束解码生成恶意代码，并给出 CodeShield 防御

    arXiv
    2606.11817
    发表
    层
    模型层
    场景
    模型与 API
    攻击者
    黑盒
    被测模型
    Qwen2.5-Coder-7B、Qwen2.5-Coder-32B、Qwen2.5-7B 等 10 个

    摘要论文发现语法约束解码会破坏自然语言安全对齐，提出 CodeSpear 越狱攻击与基于蜜罐代码对齐的 CodeShield 防御。

    深度解读完整解读
  8. 攻击arXiv 2509.22067

    论文：激活引导可破坏 LLM 安全对齐，20 个随机向量即可构造通用越狱攻击

    提出激活转向越狱，用随机向量在推理时绕过安全拒答

    arXiv
    2509.22067
    发表
    层
    模型层
    场景
    模型与 API
    攻击者
    黑盒
    被测模型
    Llama3.1-8B、Llama3.1-70B、Qwen2.5-3B 等 8 个

    摘要作者称激活转向会系统性破坏 LLM 对齐，良性特征与随机向量均能诱发有害合规，聚合随机向量可构建通用攻击。

    深度解读完整解读
已经到底了