另有 241 篇论文还没打上分类标签，暂不在筛选结果里。
提出 GUISE 基准与 AXIS 训练，防御叙事包装越狱
作者测量叙事包装下的拒答失效，并训练一个在未见包装上拒绝、同时仍回答同风格良性请求的适配器。问题是：安全对齐模型拒绝直说的有害请求，却回答嵌进角色或叙事里的同一请求。文言文被用来把语域和包装拆开。
提出统一框架评测多模态大模型的遗忘方法
提出 PatchBench-Local 协议，评测激活补丁修复越狱的局部附带损伤
摘要论文提出 PatchBench 与局部评估协议，揭示了激活补丁在全局能力无损下仍存局部良性退化。
比较连续后训练阶段如何改变语言模型的说服力
作者用同一人类协议，把 LLM 说服力拆成阴谋数据上的失调 SFT、说服数据上的 SFT，以及其后的 IPO。
提出 World Models' Last Exam 评测视频物理一致性
提出分风险对齐标度律框架，测量各类风险的对齐负担如何随规模变化
本文提出了一个将大语言模型对齐难度形式化为可测量标度关系的理论框架与预注册评测协议。
在 CWEval 上跟踪代码生成的功能-安全差距
摘要绝对安全性上升且差距仍在，开放权重并不分开各家族的轨迹。
提出 ES-Trace，审计代码生成模型模型卡内外的伦理来源披露
ES-Trace 是一套参考感知的披露审计，用来测量代码生成模型的公开文档里能观察到多少 ES-CodeGen 证据。
提出 SteerScope 多维评测 LLM 激活引导的功效与副作用
SteerScope 是一套 LLM steering 评测套件，用来同时记录目标概念有没有被诱导出来、模型还被连带改了什么，以及这些改变在换语言提示和减少训练样本后还剩多少。
提出 HARP，在硬预算约束下为多轮评测动态分配交互并校准预测界
HARP 是硬计算预算下的多轮评测分配与校准方法，用来构造 time-to-event 预测界，并估计越狱率一类边际指标。
提出合规双探针基准，测量模型可利用性与可停止性
合规指数κ用来把语言模型放在“照做”和“推回”之间。
评测模型识别不可能工程题后是否仍报已解决
成对的工程力学题把能不能解、和会不会拒绝不可能的前提拆开。每题有一致版，以及只改一个数据或前提、使所述状态不可能存在的缺陷版。
构建 SycoLens 重放评测，区分谄媚翻转中的纠错与屈从
本文系统解构了大语言模型在用户质疑下的阿谀奉承行为与评测机制。
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 VERA，审计 LLM 漏洞解释里的虚构推理
构建多语言音视频 DeepFake 基准 BabelFake 并评测检测器
BabelFake 是经同意与 IRB 批准采集的多语音视频 DeepFake 检测基准，用来把视觉操纵和语音合成拆开比较。
提出 PyINE 基准，训练捷径跟随模型并比较监督者
PyINE 是用可执行程序研究推理模型引出与监督的框架，PyINE-v1 是其第一次发布。
提出 OmniConfess，冻结候选并按通道重打分以缓解全模态幻觉
提出基准 OLMo-Detect 评测 LLM 成员推断