全部论文

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 局部协议，评测激活补丁修复越狱的附带损伤

arXiv

2610.10276

发表

10月7日

层

模型层

场景

模型与 API

测试

Qwen2.5-3B-Instruct、Qwen2.5-14B-Instruct、gemma-3-4b-it 等 8 个

• 防御推理时干预
• 攻击越狱
• 风险拒答失当

MemoReason 基准

提出 MemoReason 基准，测量参数记忆对上下文推理的影响

arXiv

2609.35312

发表

9月28日

层

模型层

场景

模型与 API

测试

GPT-OSS-20B、GPT-OSS-120B、OLMo-3-7B-Think 等 9 个

Salesforce AI Research 重测自改进 Agent

重测记忆型自改进智能体，揭示任务顺序和多次运行带来的性能不稳

arXiv

2608.18066

发表

8月19日

层

应用层

场景

网页与电脑操作

测试

GPT-5-mini、Gemini-2.5-Pro、GPT-OSS-120B 等 4 个

• 组件记忆

SAGO：从稳定性而非准确率出发的多维度大模型泛化评测

提出 SAGO，以语义等价变体上的逐例行为稳定性评测大模型泛化

arXiv

2610.01428

发表

10月1日

层

模型层

场景

模型与 API

测试

Llama-3.2-3B-Instruct、Llama-3.1-8B-Instruct、Gemma-2B-IT 等 11 个

AgentLSD：在对抗性任务污染下评测 AI 安全 Agent

用 AgentLSD 评测安全 Agent 在对抗任务污染下的解题与开销

arXiv

2609.19140

发表

9月17日

层

应用层

场景

网页与电脑操作

测试

Gemma-4 31B、DeepSeek-V4 Flash、GPT-OSS 120B 等 6 个

• 攻击提示注入

研究发现系统提示中隐藏日期影响 LLM 评测结果

测量系统提示中隐藏日期对评测分数与排名的影响

arXiv

2609.36931

发表

9月29日

层

提示层

场景

模型与 API

测试

Llama 3.1 Instruct (8B)、Llama 3.1 Instruct (70B)、Gemma 3 Instruct (4B) 等 10 个

多语言 LLM 在语义保持结构扰动下的结构敏感性：IndicReStruct 基准与机制可解释性分析

构建 IndicReStruct，评测保语义结构扰动下的多语言数学推理

arXiv

2609.03511

发表

9月3日

层

模型层

场景

模型与 API

测试

Gemma-2-9B-it、Gemma-2-27B-it、GPT-OSS-20B 等 7 个

研究重新审视后门修复评测：区分总体干净效用与良性性能保持

用 Dmax 与尾部损失评测后门修复的类别性能保持

arXiv

2609.25579

发表

9月22日

层

训练与数据层

场景

模型与 API

测试

ResNet18、PreActResNet18、VGG19-BN

• 防御模型加固
• 攻击投毒与后门