跳到正文
10月10日 · 周六

全部论文

找到 4 篇
筛选5

影响

有害内容4越权操作3输出被操纵4可用性与可靠性3监督失效3

系统形态

模型与 API49AI Agent4coding agent0web agent0

层

模型层4应用层16
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 331 篇还没打标签，不在筛选结果里。
影响：有害内容系统形态：AI Agent系统形态：coding agent系统形态：web agent层：模型层清除全部

另有 331 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 防御arXiv 2610.08678

    研究揭示投机解码的安全代价并提出 SecureSD 加固方法

    测量有损投机解码的安全代价，并提出 SecureSD 收紧早期验证

    arXiv
    2610.08678
    发表
    层
    模型层
    场景
    AI Agent
    攻击者
    黑盒
    被测模型
    Qwen3-8B、Qwen3-32B、Llama-3.1-8B-Instruct 等 6 个
    摘要有损推测解码的早期偏离更快抬高越狱与注入风险。

    作者研究有损推测解码在换取速度时，是否会比效用更快地损害越狱与提示注入防护，并给出按位置校正的 SecureSD。

    深度解读完整解读
  2. 可解释性arXiv 2610.06064

    TrustMI：通过模型激活因果控制助手对用户的信任

    提出 TrustMI，用激活转向因果调控助手对用户主张的信任

    arXiv
    2610.06064
    发表
    层
    模型层
    场景
    AI Agent
    被测模型
    Qwen3.5-9B、Qwen3.5-27B、Llama-3.1-8B-Instruct 等 6 个
    摘要作者用 BiPO 转向调控助手对用户的依赖，并称该效应迁移到智能体安全任务。

    TrustMI 研究助手对用户的信任能否沿激活中的线性方向被因果调控，以及这种调控会不会改变安全相关的智能体行为。

    深度解读完整解读
  3. 风险行为arXiv 2609.38971

    研究测量并预测具身 VLM 规划器中任务的拒答可变性

    测量并预测具身 VLM 规划器的任务拒答可变性

    arXiv
    2609.38971
    发表
    层
    模型层
    场景
    具身与机器人
    被测模型
    gemini-robotics-er-2-preview、gemini-robotics-er-1.6-preview
    摘要日常物体能翻转一部分已给出的拒答，可翻转程度取决于任务且可被本地代理预测。

    作者测量 constitution 守护的具身 VLM 规划器：一次拒答在只往场景里放一个日常物体之后还保不保持得住，并把这种易翻转程度称为任务的 malleability。

    深度解读完整解读
  4. 风险行为arXiv 2609.35291

    窄域多模态微调可诱发涌现性失配，覆盖 15 个视觉语言模型

    证明无显式危害的图文窄微调可诱发跨任务涌现未对齐

    arXiv
    2609.35291
    发表
    层
    模型层
    场景
    网页与电脑操作
    被测模型
    GPT-4o、GPT-4.1、Gemini 2.5 等 15 个
    摘要证实窄多模态微调可引发全面的多渠道未对齐行为转变，揭示了后训练阶段对齐被隐蔽重塑的安全隐患。

    论文系统探究了视觉-语言模型中由窄任务微调诱发的跨模态涌现未对齐（Emergent Misalignment, EM）现象。

    深度解读完整解读
已经到底了