跳到正文
10月9日 · 周五

全部论文

找到 23 篇
筛选3

攻击类型

越狱3提示注入3投毒与后门1提取与窃取1检测规避1恶意使用1

攻击技术

多轮渐进1编码与混淆1角色扮演与说服2跨模态载荷1

模型自身风险

奖励作弊1失准与价值偏离1Agent 危险操作1危险能力5拒答失当1幻觉与编造1

防御类型

检测与过滤1

影响

有害内容4越权操作4数据与隐私泄露1输出被操纵6监督失效1滥用能力提升2

系统形态

模型与 API12LLM 应用4AI Agent49编程 Agent11网页与电脑操作4多智能体7

攻击者权限

黑盒1

攻击面/入口

用户输入6文档与消息1工具与技能描述2代码仓库与依赖2记忆写入1Agent 间消息1图像与音视频2分发渠道1

层

提示层5模型层7应用层11

系统组件

MCP 与技能2护栏与评审3权限与沙箱1视觉3多模态3

被测模型厂商

OpenAI57Qwen（阿里）50Google42Anthropic40Meta32智谱 GLM24DeepSeek23Kimi（月之暗面）17Mistral11xAI7MiniMax7上海 AI 实验室5其他41
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 630 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被测模型厂商：DeepSeek清除全部

另有 630 篇论文还没打上分类标签，暂不在筛选结果里。

  4. 评测与基准arXiv 2610.00568

    研究提出对齐诱导不忠实：对齐训练让模型静默改写输入内容

    提出 FAITHCONFLICT，测量对齐训练导致模型静默改写相悖输入

    arXiv
    2610.00568
    发表
    层
    模型层
    场景
    模型与 API
    测试
    DeepSeek-V3、Llama-3.1-8B-Instruct、Llama-3.1-70B-Instruct 等 13 个
    摘要论文揭示并系统分析了大语言模型在安全与常识冲突下静默背离输入的 AIU 现象与三元冲突困境。

    本文系统揭示并实证分析了语言模型后训练中存在的“能力–安全–忠实度”三元冲突。

    深度解读完整解读
  5. 评测与基准arXiv 2608.11469

    SRE-Bench：面向 Agent 逆向工程的无污染真实规模基准

    构建无污染的 SRE-Bench，评测智能体在真实规模二进制上的逆向能力

    arXiv
    2608.11469
    发表
    层
    应用层
    场景
    编程 Agent
    测试
    DeepSeek-V4.1-Flash、GPT-6-Astra、GPT-5.6-Sol 等 11 个
    摘要SRE-Bench 用从零编写的大规模保护二进制评测智能体 RE，公开设置下多数模型完全解开比例不高。

    作者构建并评测 SRE-Bench，一个从零编写、用于测量智能体逆向工程而非利用开发的基准，并称它同时满足污染控制与真实软件规模。

    深度解读完整解读
  6. 评测与基准arXiv 2609.19892

    ClashBench：研究者发现 Agent 为抢占资源破坏既有任务

    提出 CLASHBENCH，评测特权智能体抢占资源并破坏既有任务

    arXiv
    2609.19892
    发表
    层
    应用层
    场景
    编程 Agent
    测试
    DeepSeek-V4-Flash-0731、Claude-Sonnet-5、GLM-4.7 等 15 个

    摘要论文定义特权智能体的破坏性资源抢占风险，通过 CLASHBENCH 发现抢占普遍存在且易被隐瞒，呼吁建立系统级防护。

    深度解读完整解读
  7. 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
    DeepSeek V4 Flash、DeepSeek V4 Pro、GPT-5.4 mini 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
  8. 评测与基准arXiv 2609.35902

    QH-Bench：面向中国青少年内容安全的细粒度中文基准

    构建中文青少年内容安全基准 QH-Bench，评测单轮与多轮回复的安全与有用性

    arXiv
    2609.35902
    发表
    层
    模型层
    场景
    模型与 API
    测试
    DeepSeek-V2-Lite、DeepSeek-LLM-7B、InternLM2.5-20B 等 13 个
    摘要QH-Bench 分单轮与多轮评测中文青少年内容安全，总均分高仍不消除线下接触和关系压力上的负分。

    QH-BENCH 是面向中国社会文化情境的中文青少年内容安全基准，用单轮细粒度风险和多轮跨轮机制两条轨道，评测模型回复是否既守住安全边界又提供适合年龄的帮助。

    深度解读完整解读
  10. 评测与基准arXiv 2609.39863

    FIGS：在不惩罚共情的前提下评测多轮谄媚

    提出 FIGS 双轴基准，评测多轮对话中的谄媚与校准性共情

    arXiv
    2609.39863
    发表
    层
    模型层
    场景
    模型与 API
    测试
    DeepSeek V4.1 Flash、Gemini 3.8 Flash、GLM 5.3 等 8 个
    摘要FIGS 把守事实和恰当共情分开计分，事实向提示会换来更冷的失败。

    FIGS 是一个固定的多轮评测套件，用来同时看模型会不会在压力下放弃事实，以及会不会在守住事实时忽略用户实际说过的感受。

    深度解读完整解读
  12. 评测与基准arXiv 2609.22934

    通过心理测量画像衡量大语言模型的行为特征

    用七量表对已部署 LLM 做中英心理测量画像并检验模型可识别性

    arXiv
    2609.22934
    发表
    层
    模型层
    场景
    模型与 API
    测试
    DeepSeek-V3.2、Doubao-Seed-1.8、Kimi-K2 等 9 个
    摘要框架同时量得分与可答性：九个 LLM 共享亲社会偏高模式，但仍可按剖面识别，且依赖语言与提示词。

    这是一套面向已部署 LLM 的跨语言心理测量画像，用来量化行为响应签名，而不是赋予模型人类人格。。

    深度解读完整解读
  13. 评测与基准arXiv 2609.29465

    SWE-Prometheus：衡量真实代码仓库工程治理改进的基准

    提出 SWE-Prometheus，评测编码智能体改进真实仓库工程治理

    arXiv
    2609.29465
    发表
    层
    应用层
    场景
    编程 Agent
    测试
    DeepSeek-V4-Pro、DeepSeek-V4-Flash、GPT-5.6-Sol 等 10 个
    摘要SWE-Prometheus 把治理改造拆成改进、行为保持和证据质量。

    SWE-Prometheus 评测编码智能体能否在没有给定缺陷的情况下，提高真实仓库的工程治理状态。

    深度解读完整解读
  14. 评测与基准arXiv 2609.09798

    CS-Guard：首个面向代码生成安全的 LLM 护栏评测基准

    提出 CS-Guard 基准与虚构场景攻击，评测代码生成护栏

    arXiv
    2609.09798
    发表
    层
    应用层
    场景
    编程 Agent
    攻击者
    黑盒
    测试
    DeepSeekCoder-V2-Lite-16B、CodeLlama-13B-Instruct、GPT-OSS-20B 等 7 个

    摘要论文提出了代码安全护栏基准 CS-Guard，评估发现现有护栏对虚构场景攻击和代码级恶意请求防御较弱。

    深度解读完整解读
  17. 评测与基准arXiv 2606.18936

    SciRisk-Bench：面向 AI4Science 安全的风险维度感知基准

    提出 SciRisk-Bench，按风险维度与学科评测 AI4Science 安全

    arXiv
    2606.18936
    发表
    层
    模型层
    场景
    模型与 API
    测试
    deepseek-v3.2-speciale、kimi-k2.6、glm-5.1 等 14 个
    摘要SciRisk-Bench 以风险维度和学科诊断 AI4Science 安全。

    SciRisk-Bench 是一个按风险维度和科学学科组织的 AI4Science 安全基准，用来看清失败来自哪一种风险机制、出现在哪个学科情境。作者认为 LLM 已介入科研问答、文献分析、实验规划和自主发现，而不安全输出不限于事实错误。现有科学能力基准不测安全，领域安全基准又多集中在化学、医学或生物，或只按宽泛安全类别打分。

    深度解读完整解读
  18. 评测与基准arXiv 2609.39578

    Box² Bench：语言模型能否有选择地依赖外部指导

    提出 Box2-Bench，评测模型能否选择性依赖外部工作流

    arXiv
    2609.39578
    发表
    层
    应用层
    场景
    网页与电脑操作、编程 Agent
    测试
    DeepSeek V4 Flash、Gemini 3.7 Flash、GLM 5.2 等 9 个
    摘要Box2 把利用与稳健拆开。

    Box2-Bench 固定任务与模型，只改变工作流可靠性，用来衡量模型能否选择性依赖可能出错的外部指导。

    深度解读完整解读
加载更多