另有 749 篇论文还没打上分类标签，暂不在筛选结果里。
构建 MLCommons 越狱基准以测量模型的单轮越狱韧性
摘要论文建立了单轮越狱评测的标准化端到端方法学体系，揭示了开源大模型在对抗提示词下的安全性能降级与大模型负差距现象。
提出 Janus，用 CoAA-RL 训练前瞻守卫，在长程智能体有害动作执行前拦截
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。
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。
提出四种阶段转换攻击，绕过推理模型的安全推理护栏
提出 TS-Guard 与 TS-Flow，执行前检测并修正智能体有害工具调用
ToolSafe 研究 LLM 智能体在工具执行前的步骤级安全：基准 TS-Bench、护栏 TS-Guard，以及反馈驱动框架 TS-Flow。
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
用 CASCADE 在统一威胁模型下筛选跨阶段越狱防御组合
提出 JailbreakSkill，用可演化技能自动搜索并复用越狱提示
提出 Safin-1，以可路由 Safety State 在冻结主干上实现内在安全
用 SCM 合成会话并训练检测器识别推理层滥用
提出 AdvPIE，在黑盒下搜索表面无害却生成有害图像的提示
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
提出 SafeMol，联合对齐分子多模态模型的文本与图输入
SafeMol 研究分子多模态模型在危险分子相关请求上的安全对齐，并同时看过拒和任务效用。
提出 RISE，迭代演化可复用策略对文生图模型做红队
提出 RLCDAlignBench，零样本检测多种对齐失败
RLCDAlignBench 测量用强化学习做校准决策的 Jev，能否当作对齐失败的零样本检测器。