10月8日 · 周四

开源模型安全 · 论文

找到 2 篇

筛选2

模型自身风险

拒答失当1 偏见与歧视1

影响

输出被操纵2

系统形态

层

提示层1 模型层1

系统组件

护栏与评审1 微调与开源权重1 视觉1 多模态1

被测模型厂商

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 85 篇还没打标签，不在筛选结果里。

系统组件：护栏与评审系统组件：多模态话题：开源模型安全清除全部

另有 85 篇论文还没打上分类标签，暂不在筛选结果里。

分析与理论arXiv:2610.02586 · 10月1日
研究发现类型化决策模型主要按选项标签而非定义作答
揭示类型化决策模型按选项标签而非定义规则作答
模型与 API测试von、Qwen2.5-0.5B、Qwen2.5-1.5B 等 6 个提示层
- 护栏与评审
摘要揭示类型化决策模型被标签误导的机理，证实源于提示词渲染并给出实操建议。
完整解读
评测与基准arXiv:2608.11816 · 8月12日
研究审计 9 个视觉语言模型：中文提示下国家立场改写率约为英文的三倍
审计视觉语言模型在敏感图像上从拒答转向国家立场重构的行为
模型与 API测试Qwen2-VL-7B、Qwen2.5-VL-7B、Qwen3-VL-8B 等 9 个模型层
摘要论文系统审计了 VLM 多模态审查，发现审查正从显式拒答转向隐蔽重构，且中文提示与文本先验会放大重构倾向。
论文系统研究了中外开源视觉语言模型在政治敏感图像上的审查行为，主要内容如下。
完整解读

已经到底了