另有 194 篇论文还没打上分类标签，暂不在筛选结果里。
构建 EpiReal-Bench，评测图像生成器将虚假主张渲染为可信证据
EpiReal-Bench 用来量商用图像生成器会不会把虚假现实主张画成可信视觉证据。
提出回答端后门，让模型自生成触发词以在干净有害请求下绕过拒答
摘要论文提出了多轮对话中回答端自生成触发词绕过安全拒绝的后门攻击，指出输入端防护存在盲区。
评测文生图模型的有害内容生成能力与审核检测缺口
提出收缩约束 SSM 安全头，认证嵌入扰动并检测越狱
给 SSM 安全头一个收缩条件，并在越狱检测上使用收缩正则的 S4 头。。
用分类后缀提升激活探针对分布外恶意输入的检测
用户轮后的分类后缀，被作者用作激活探针的分布外检测干预：排序看格式，低 FPR 精度看是否点名恶意/良性。
提出 MOMAT 多图集检索与轻量判定，防御量化模型越狱
提出推理时 Unicode 归一化的检测器，识别遭字符级扰动的 AI 生成文本
DeBERTa-ConPara 是一个面向部署的 AI 文本检测器：DeBERTa-v3-large 在多数据集原始文本上训练，推理前做确定性 Unicode 归一化，用一个固定阈值面对没有目标域标签的场景。
提出 CollageAttack，用空间文本碎片重组越狱文生图模型
摘要系统揭示 T2I 跨模态空间合成安全漏洞，证实离散无害元素可在图像层面重构有害意图并放大传播强度。
评测多轮对话中 GradSafe 越狱检测的可分性与脆弱性
作者评估梯度越狱检测从单条提示词迁到多轮对话后还剩多少可分性，方法是用 Context Window Scanner 把 GradSafe 原封不动地套到用户轮窗口上。
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。
诊断护栏相对基座在对抗提示上的置信失校
诊断性分析：五个提示词分类 guard 的置信度，在清洁输入上可以较校准，在越狱包装后则变成高置信度的错误判定。
提出 RISE，迭代演化可复用策略对文生图模型做红队
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 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。
用词级归因指导同义词替换，翻转提示注入检测并验证越狱
摘要作者称检测靠分散的词法线索。
用 CASCADE 在统一威胁模型下筛选跨阶段越狱防御组合
提出 HE-Guardrail，在密文推理中评估越狱护栏并门控回复
把越狱护栏装进同态加密 LLM 推理：服务器不解密，也能按安全决策决定客户端看到目标回复还是拒绝回复。
提出局部稀疏无监督安全检测，标记偏离安全分布的输入
提出 plan injection 攻击，植入良性伪装计划以绕过思维链监视器
摘要论文指出模型会将外部上下文中的伪装计划改写为自身推理，使思维链监视器失效甚至反向合理化恶意行为。
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。