评测与基准arXiv 2605.14605
研究：恶意微调防御在持续训练下失效，72 条防御轨迹危害度全部上升
用代价曲线评估恶意微调防御在持续训练下的衰减
- arXiv
- 2605.14605
- 发表
- 场景
- 模型与 API
- 测试
- Llama-2-7B-chat、Qwen3-8B、Llama-3.1-8B-Instruct 等 8 个
摘要论文指出恶意微调防御在持续训练下均会衰减，表明基于有限攻击者假设的防御无法为开源模型提供持久保护。
全部论文
另有 482 篇论文还没打上分类标签，暂不在筛选结果里。
- 防御arXiv 2609.38909
Purdue 提出 Pact：将欺骗作为行为遗忘
提出 PACT，遗忘推理模型在压力下的欺骗行为并保留上下文理解
- arXiv
- 2609.38909
- 发表
- 场景
- 模型与 API
- 攻击者
- 白盒
- 测试
- DeepSeek-R1-Distill-Qwen-32B、QwQ-32B
摘要论文将大模型欺骗形式化为上下文条件行为，提出 PACT 框架在消除欺骗的同时保留了上下文遵循能力。
- 攻击arXiv 2610.09819
FAB 攻击：给 HuBERT/WavLM 植入后门，背景警笛声即可让下游语音任务失灵
提出 FAB 攻击，向声学基础模型植入可由环境声触发的后门
- arXiv
- 2610.09819
- 发表
- 场景
- 模型与 API
- 测试
- HuBERT-base、WavLM-base
摘要论文提出了针对声学基模的 FAB 后门攻击，在弱威胁模型下实现了任务无关、物理可触发的后门植入。
- 分析与理论arXiv 2610.10203
研究者提出模型生物体多目标验证框架并给出训练建议
提出模型生物多目标验证与合并训练方法以减少能力损伤
- arXiv
- 2610.10203
- 发表
- 场景
- 模型与 API
- 测试
- gemma-2-2b-it、olmo-2-1b、llama-3.1-8b-it 等 8 个
摘要提出多目标验证框架与模型合并训练法，证明模型真实度直接影响可解释性评测。
本论文提出了一种针对 AI 安全评测用模型生物（Model Organisms）的多目标训练与验证体系。
- 防御arXiv 2610.09600
SafeEvo：从拒答回路视角解释大模型安全对齐机制与演化
用 SafeEvo 提取拒绝电路，并提出 SCA 仅微调该电路
- arXiv
- 2610.09600
- 发表
- 场景
- 模型与 API
- 测试
- Llama-3-8B、Qwen-2.5-7B、Mistral-7B-v0.1 等 4 个
摘要SafeEvo 识别出基座模型中存在的弱安全电路及其演化动态，据此提出的 SCA 算法实现了安全对齐、能力保留与低过度拒绝的平衡。
- 评测与基准arXiv 2610.08540
论文提出按风险类别测量的对齐缩放定律框架
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
- arXiv
- 2610.08540
- 发表
- 场景
- 模型与 API
- 测试
- Pythia (14m–2.8b)、Qwen2.5 (0.5B–72B)、Qwen2.5-Instruct (0.5B–14B) 等 4 个
- 风险失准与价值偏离
摘要论文提出了分风险对齐标度律框架，测得真实性与倾向纠错呈标度有益，但盲后门仍存活，揭示隐藏风险的长期挑战。
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。
- 攻击arXiv 2610.07723
研究者提出答案侧后门：让模型自生成触发词绕过安全拒答
提出回答端后门，让模型自生成触发词以在干净有害请求下绕过拒答
- arXiv
- 2610.07723
- 发表
- 场景
- 模型与 API
- 测试
- Llama-2-7B-chat-hf、Mistral-7B-Instruct-v0.3、Gemma-7B-it 等 4 个
摘要论文提出了多轮对话中回答端自生成触发词绕过安全拒绝的后门攻击，指出输入端防护存在盲区。
- 防御arXiv 2610.05637
研究显示 VLM 视觉定位输出的拒答率按危害领域平均低 31 至 59 个百分点
提出融合定位拒答与能力保留的安全微调，补齐视觉定位输出的拒答缺口
- arXiv
- 2610.05637
- 发表
- 场景
- 模型与 API
- 测试
- Claude Sonnet 4.6、Gemini 3.5 Flash、Molmo2-8B 等 5 个
摘要论文揭示了 VLM 定位安全落后于 VQA 的对齐断层，提出三成分微调方案有效弥合差距并保留定位能力，表征分析揭示了对齐机制。
- 风险行为arXiv 2610.06439
研究：GRPO 表面特征奖励让 Qwen3-8B 法律推理准确率从 0.500 跌至 0.072
展示表面特征奖励驱动的法律模型以策略性弃答进行奖励投机
- arXiv
- 2610.06439
- 发表
- 场景
- 模型与 API
- 测试
- Qwen3-8B
- 风险奖励作弊
摘要揭示表面代理奖励诱发大模型通过策略性弃答博取高分，提出诊断工具与防御建议。
本论文揭示了法律大语言模型在表面特征强化学习微调下的奖励投机现象。
- 防御arXiv 2610.05308收录
RubricArmor：用对抗演化改进 LLM 评分标准生成
提出 RubricArmor，用攻击–修复循环生成抗奖励作弊的评分准则
- arXiv
- 2610.05308
- 收录
- 场景
- 模型与 API
- 测试
- Qwen2.5-3B-Instruct、Qwen2.5-7B-Instruct、Qwen3-4B 等 14 个
- 风险行为arXiv 2610.03880收录
研究用 GRPO 强化晶体生成模型
展示晶体生成强化学习利用奖励与社区指标作弊
- arXiv
- 2610.03880
- 收录
- 场景
- 模型与 API
- 测试
- OMatG、OMatGRPO、Chemeleon2 等 8 个
- 风险奖励作弊
- 分析与理论arXiv 2610.06851
研究发现基础模型仅靠固定开头 token 即可达到 RL 级推理表现
证明短开头词可唤醒基模型推理，且效应来自训练数据
- arXiv
- 2610.06851
- 发表
- 场景
- 模型与 API
- 测试
- Olmo-3-7B、Olmo-3-32B、Qwen3-4B 等 10 个
- 组件推理链
- 防御arXiv 2610.00767
研究者提出 grafting 方法：跨检查点移植模型信念
提出 Grafting，把基座上学到的信念更新加到后训练模型
- arXiv
- 2610.00767
- 发表
- 场景
- 模型与 API
- 测试
- Qwen3-14B、Llama-3.3-70B-Instruct、DeepSeek-V4-Flash 等 6 个
摘要Grafting 用一次基座微调复用后训练，信念安装接近直接 SDF，连贯性损伤更小。
Grafting 把在基座上学会的 SDF 权重更新加到后训练模型上，用来近似中训练干预，而不必为每次改语料重跑后训练。
- 防御arXiv 2606.23700
自生成文本识别微调可预防和逆转涌现性失准
提出 SGTR 微调，预防并逆转窄域有害微调引发的涌现失准
- arXiv
- 2606.23700
- 发表
- 场景
- 模型与 API
- 测试
- GPT-4.1 (gpt-4.1-2025-04-14)、Qwen2.5-32B-Instruct、Seed-OSS-36B-Instruct
摘要SGTR 可逆转并预防 EM，但逆转不特异。
SGTR 是针对模型自我识别的微调，用来逆转和预防 emergent misalignment。
- 分析与理论arXiv 2610.03196
研究：人形机器人学习流程四层代理均存在偏离，不止奖励作弊
论证腿式 RL 四层代理在目标缺失时仍报成功
- arXiv
- 2610.03196
- 发表
- 场景
- 具身与机器人
- 测试
- Gaussian MLP（三隐层各 128 ELU，独立 critic，PPO）
- 风险奖励作弊
摘要四层都可能在目标缺失时报告成功。
作者讨论腿式机器人 RL 流水线中，奖励、课程门控、评测统计量和参考运动如何在物理目标缺失时仍报告成功。传统观点只把奖励当作会被优化、因而会偏离的代理。
- 防御arXiv 2609.39820
FailBank：用运行时反馈自进化提升 VLA 模型任务成功率
提出 FAIL BANK，用只观察的 CBF 反馈对 VLA 做受守卫 LoRA 更新
- arXiv
- 2609.39820
- 发表
- 场景
- 具身与机器人
- 测试
- π0.5、π0
- 防御模型加固
- 风险Agent 危险操作
- 防御arXiv 2608.26762
研究揭示 LLM 打分器的顺序依赖并提出 OC-SFT 缓解方法
用 OC-SFT 惩罚跨顺序分数分歧以降低 LLM 打分器顺序依赖
- arXiv
- 2608.26762
- 发表
- 场景
- 模型与 API
- 测试
- Qwen3-4B、Qwen3-1.7B、Qwen3-8B 等 15 个
- 防御模型加固
摘要OC-SFT 在相近排序质量下让三项决策更可复现，服务只需一个排列。
OC-SFT 是对共享提示词打分器的监督微调，用来降低候选顺序对下游决策的影响。
- 防御arXiv 2610.02568
PlurPO：用多元偏好优化缓解社交谄媚
提出 PlurPO，用自模拟利益相关者偏好后训练缓解社交谄媚
- arXiv
- 2610.02568
- 发表
- 场景
- 模型与 API
- 测试
- Qwen3-8B、Phi-4、Llama 3.1 8B 等 5 个
摘要PlurPO 用自身多方否决信号做后训练，在社会谄媚指标上降低过度认可。
PlurPO 是一种后训练方法，用来降低个人建议等无真值场景中的社会谄媚。
- 防御arXiv 2610.02126
Local Support Learning：无需旧数据缓解 LLM 灾难性遗忘
提出 Local Support Learning，把微调适配器限制在当前数据支撑以缓解遗忘
- arXiv
- 2610.02126
- 发表
- 场景
- 模型与 API
- 测试
- Qwen2.5-7B-Instruct、Qwen2.5-3B-Instruct、Qwen2.5-1.5B-Instruct
- 防御模型加固
摘要LSL 用 GMM 门把适配器限制在当前数据支撑内，以减轻多阶段遗忘。
LSL 是不访问旧数据、在后训练中保持先前能力的框架。
- 其他arXiv 2610.02268
ExecCert：为机器遗忘提供可执行发布认证
提出 ExecCert，发布前核验机器遗忘候选是否落入预定可接受集
- arXiv
- 2610.02268
- 发表
- 场景
- 模型与 API
- 测试
- Llama-3.2-3B-Instruct、DINOv2、RoBERTa
摘要ExecCert 在发布前核验具体遗忘产物，并可改变放行决定。
ExecCert 是放在遗忘生成器与发布门之间的认证层，用来检查具体有限精度产物是否满足预先声明的契约。