另有 201 篇论文还没打上分类标签，暂不在筛选结果里。
实现 DEFER，以确定性检查优先拦截多智能体流水线的内容攻击
DEFER 用来测量多智能体授权流水线里，确定性规则在何处结束、LLM judge 从何处开始。
固定有害指令，单轴归因图像到文本越狱的图像属性
摘要固定文本的图像越狱拆解，只在 Qwen 上给出一条有界相关性归因。
提出 StegoMemory，评测智能体持久记忆作为跨会话隐写信道
摘要研究揭示智能体持久记忆可作为隐蔽信道跨会话传输机密，写入持久化是主要防御瓶颈，呼吁建立记忆完整性防御。
提出 VAL 框架，并用确认门与参数沙箱约束智能体高风险工具调用
提出 imMRAG 攻击，从多模态 RAG 私有图像库提取内容
提出免训练框架 SED，将有害智能体轨迹蒸馏为可检索安全策略
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。
用 CoSec 评测社区 Agent 是否越界披露受保护信息
测量记忆投毒防御在良性对话上的效用与 token 开销
在没有攻击的对话上，给记忆投毒防御计价，而不是再测一轮攻击是否被挡住。
用 FARSIGHT 方案级评测金融 LLM 交易 Agent 的稳健性与安全失败
系统梳理智能体执行链路中的越狱攻击与防御并比较推理时防御
Mia 等人把越狱安全从单轮回复扩展到智能体的规划、记忆、工具和智能体间通信，并问既有结论在更强原生对齐下是否还成立。
用后验重加权解释多模态上下文越狱，并提出风险门控的良性示例注入防御
Zhang 等把多模态 ICL 越狱写成对齐模型在安全与有害隐模式之间的推理时后验漂移，并据此做风险门控防御。
提出 SinoGlyphBench，用配对字形混淆诊断中文审核稳定性
SinoGlyphBench是一个配对诊断基准，用来看内容审核在可还原的中文字形混淆下是否还保持原决定。
提出 DIVA，利用跨步条件传播对离散扩散视觉语言模型实施视觉越狱
提出 AgentKernel，用四支柱强制中介 Agent 的输入、工具与记忆
AgentKernel 是把安全做成组织原则的智能体 OS 架构，不是带跑分的攻防评测。
提出 MAMJ，在元层面交替优化多模态越狱的策略提示与攻击者权重
提出 ARENA 音频红队框架，自动构造文本安全且音频接地的越狱输入
提出 SkillMisevo-Bench，量化自改进 Agent 的技能误演化
提出 MAFIA，以探测放置与事实伪装对带审计 Agent 做查询式记忆投毒
提出 EvoBreak，以良性任务组合诱导自进化 Agent 的持久经验并削弱安全边界