跳到正文
10月10日 · 周六

全部论文

找到 5 篇
筛选5

防御类型

模型加固11推理时干预5检测与过滤14指令与数据隔离0监控与审计11

系统形态

模型与 API3AI Agent4coding agent1网页与电脑操作1

攻击面/入口

用户输入3

层

模型层3
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 216 篇还没打标签，不在筛选结果里。
防御类型：推理时干预防御类型：指令与数据隔离系统形态：模型与 API系统形态：coding agent系统形态：网页与电脑操作清除全部

另有 216 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 评测与基准arXiv 2610.10276

    PatchBench 提出激活补丁局部评测协议，揭示越狱修复的附带损伤

    提出 PatchBench-Local 协议，评测激活补丁修复越狱的局部附带损伤

    arXiv
    2610.10276
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Qwen2.5-3B-Instruct、Qwen2.5-14B-Instruct、gemma-3-4b-it 等 8 个

    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。

    深度解读完整解读
  3. 评测与基准arXiv 2609.03438

    CONFLICTGUI 基准与 CONFLICTGUARD 框架：让多模态 GUI Agent 学会在冲突指令下终止执行

    提出 ConflictGuard，引导 GUI Agent 在冲突指令下终止执行

    arXiv
    2609.03438
    发表
    层
    应用层
    场景
    网页与电脑操作
    被测模型
    UI-Venus-1.5-8B、UI-TARS-1.5-7B、OS-Atlas-Base-7B 等 10 个
    摘要ConflictGUI 暴露 GUI 智能体的执行偏向过度服从，ConflictGuard 用条件转向提高冲突终止率。

    ConflictGuard用推理时的可行性核验和条件激活转向，让 GUI 智能体在指令不可行时终止，而不是盲执行。

    深度解读完整解读
  4. 评测与基准arXiv 2608.28233

    REINS：用 SAE 特征同时抑制有害续写并增强拒答的引导方法

    提出 REINS，在 SAE 空间抑制有害延续并增强拒答

    arXiv
    2608.28233
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Qwen3.5-4B-Base、Qwen3.5-2B-Base、Gemma-3-1B-IT
    摘要REINS 分角色抑制有害延续并增强拒答。

    REINS 是一种推理时 SAE 安全转向方法，并配有用于上下文伪装的基准 GUISE。

    深度解读完整解读
  5. 评测与基准arXiv 2606.22673

    Agent MechSuits：面向多轮 CLI Agent 的机制子空间安全引导

    提出 Agent MechSuits，对多轮 CLI Agent 做步级检测与子空间转向

    arXiv
    2606.22673
    发表
    层
    应用层
    场景
    coding agent
    被测模型
    LLaMA-3.1-8B、Qwen-2.5-7B、Gemma-2-9B
    摘要白盒步级探针加稀疏转向可压低三模型恶意动作，同时提高生成崩溃率。

    Agent MechSuits 是面向多轮 CLI 智能体的白盒、步级表示防御，并配有可执行轨迹基准 MAS。

    深度解读完整解读
已经到底了