跳到正文
10月9日 · 周五

全部论文

找到 11 篇
筛选5

攻击类型

越狱5投毒与后门2检测规避1恶意使用1

攻击技术

梯度与表征优化1自动化搜索1编码与混淆2跨模态载荷3

防御类型

推理时干预1检测与过滤3指令与数据隔离1

影响

有害内容5数据与隐私泄露1输出被操纵3

系统形态

模型与 API11LLM 应用1AI Agent1编程 Agent0具身与机器人1

攻击者权限

黑盒2白盒1

攻击面/入口

用户输入6图像与音视频8训练数据2

层

提示层11模型层16应用层9训练与数据层10基础设施层1

系统组件

记忆0RAG1护栏与评审25监控器2推理链7微调与开源权重2视觉11视频2图像生成6多模态19

被测模型厂商

OpenAI6Google6Qwen（阿里）6其他10
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 558 篇还没打标签，不在筛选结果里。
系统形态：模型与 API系统形态：编程 Agent层：提示层系统组件：记忆系统组件：视觉清除全部

另有 558 篇论文还没打上分类标签，暂不在筛选结果里。

  3. 评测与基准arXiv 2609.05843

    SinoGlyphBench：中文字形混淆下语言模型审核的诊断基准

    提出 SinoGlyphBench，用配对字形混淆诊断中文审核稳定性

    arXiv
    2609.05843
    发表
    层
    提示层
    场景
    模型与 API
    测试
    GPT-5.4 mini、GPT-5.5、DeepSeek V4 Flash 等 12 个
    摘要SinoGlyphBench 显示中文字形混淆会同时增加有害漏报和误报，全文扰动最重。

    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。

    深度解读完整解读
  4. 防御arXiv 2609.36562

    ThinkingGuard：通过逐步风险归因解码多模态大语言模型中的隐式危害

    构建 TriggerBench 并训练 ThinkingGuard，检测图文隐式风险

    arXiv
    2609.36562
    发表
    层
    提示层
    场景
    模型与 API
    测试
    ThinkingGuard（Qwen3-VL-8B-Instruct）、GPT-5.1、Claude-Sonnet-4-6 等 9 个
    摘要TriggerBench 隔离触发条件，ThinkingGuard 用分步归因在隐式风险检测上取得作者报告的较高平均分。

    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。

    深度解读完整解读
  6. 防御arXiv 2609.10613

    后验重加权框架解释并缓解多模态大模型上下文越狱

    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

    arXiv
    2609.10613
    发表
    层
    提示层
    场景
    模型与 API
    测试
    Qwen3-VL-2B、Qwen3-VL-4B、Qwen3-VL-8B 等 9 个
    摘要后验重加权解释上下文越狱的缩放，并支持风险门控的良性示例防御。

    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。

    深度解读完整解读
  8. 其他arXiv 2608.04314

    面向良性用途的对抗攻击：视觉内容全生命周期主动防护综述

    综述视觉内容全生命周期中的所有者侧对抗防护方法

    arXiv
    2608.04314
    发表
    层
    提示层
    场景
    模型与 API
    摘要综述把五类对抗式保护收成一个生命周期，并用三条轴比较其主张。

    Adversarial attacks for good 是一篇视觉内容所有者侧保护的综述：把长期作为攻击来研究的扰动和结构化信号，反过来交给数据所有者、创作者、平台或审计方使用。

    深度解读完整解读
已经到底了