10月9日 · 周五

全部论文

找到 2 篇

筛选4

攻击类型

越狱1 投毒与后门1

攻击技术

梯度与表征优化1 自动化搜索3 编码与混淆3 对话结构操控3 推理链操控8 跨模态载荷1 针对防御3 潜伏触发1

影响

有害内容1 输出被操纵1

系统形态

攻击者权限

黑盒1 白盒1

攻击面/入口

用户输入1 训练数据1 权重与梯度1 分发渠道1

层

提示层1 训练与数据层1

系统组件

MCP 与技能4 记忆14 RAG2 护栏与评审4 推理链1 权限与沙箱3 微调与开源权重15 视觉5 音频2 图像生成1 嵌入1 多模态8

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 648 篇还没打标签，不在筛选结果里。

攻击技术：梯度与表征优化攻击技术：潜伏触发系统组件：推理链系统组件：图像生成清除全部

另有 648 篇论文还没打上分类标签，暂不在筛选结果里。

攻击arXiv 2510.115702025年10月14日
研究显示简单攻击可绕过 gpt-oss 等推理模型的安全护栏
提出四种阶段转换攻击，绕过推理模型的安全推理护栏
arXiv
2510.11570
发表
2025年10月14日
层
提示层
场景
模型与 API
攻击者
白盒、黑盒
测试
gpt-oss-20b、gpt-oss-120b、Qwen3-4B-Thinking-2507 等 10 个
- 攻击越狱
- 技术推理链操控
- 组件推理链
深度解读完整解读
攻击arXiv 2609.390479月30日
BadAction：通过动作引导触发器对交互式视频生成模型实施后门攻击
提出 BadAction，通过动作触发器给交互式视频生成植入后门
arXiv
2609.39047
发表
9月30日
层
训练与数据层
场景
模型与 API
测试
Astra (Wan2.1-T2V-1.3B)
- 攻击投毒与后门
- 技术潜伏触发
- 组件微调与开源权重
深度解读完整解读

已经到底了