跳到正文
10月10日 · 周六

全部论文

找到 1 篇
筛选4

防御类型

模型加固9检测与过滤22权限与审批0监控与审计1

系统形态

模型与 API1AI Agent3

系统组件

护栏与评审1监控器13多模态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 194 篇还没打标签，不在筛选结果里。
防御类型：权限与审批防御类型：监控与审计系统形态：模型与 API系统组件：护栏与评审清除全部

另有 194 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 防御arXiv 2609.04665

    HackProbe：面向自演化语言模型奖励作弊的黑盒检测与免疫方法

    提出 HackProbe，黑盒检测并免疫自演化中的奖励作弊

    arXiv
    2609.04665
    发表
    层
    训练与数据层
    场景
    模型与 API
    摘要黑盒探针检测自演化奖励黑客，并以带宽受限重选回收真实能力。

    HackProbe 是挂在自演化循环上的黑盒监控器，用来发现奖励黑客并改选候选。

    深度解读完整解读
已经到底了