另有 643 篇论文还没打上分类标签，暂不在筛选结果里。
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。
构建 BazaarBench 评测 C2C 市场中 Agent 的违规失信
BazaarBench 针对大语言模型智能体在去中心化 C2C 交易中的代理安全问题，提出了一个结合底层实体状态与大模型裁判的仿真基准平台。
提出静默修订率，量化安全框架未披露的实质变更
摘要系统量化了前沿 AI 安全框架的静默修订，发现多数变更为削弱且未予披露，建议监管要求逐项列举。
提出 FAE 衡量事实核查对证据的依赖，并用 REAL 训练这种依赖
FAE 与 REAL 分别用来测量并训练 LLM 事实核查器对所给证据的依赖，而不只看一次性的标签准确率。
提出 COVER，在语言预算下选择源语言实现跨语言知识遗忘
语言预算下的多语言遗忘：遗忘监督只放在 K 种源语言上，目标是降低其余语言对同一事实的残余访问，而不是把每种评测语言都译成监督数据。
提出 MOLE 基准，评测监控器对智能体内部威胁的检出能力
MOLE 是首个针对前沿 AI 实验室智能体内部威胁检测的开放基准，旨在评估在有限每日审查预算与日常研发业务背景下识别恶意账号的能力。。
提出 ForesightSafety-TIDE，评测多智能体在单点欺骗下的集体事实恢复
发布 MADBench，评测多智能体辩论会吸收还是放大对抗影响
MADBench 是一个评测多智能体辩论安全性的基准，用来看攻击是被辩论吸收还是被放大。
提出 SAMPLED-BPE，对中文网页语料做抽样 BPE 的 token 级污染审计
SAMPLED-BPE 是一条轻量 token 级流水线，用来在不全文扫描时估计中文 web-scale 语料的污染画像。
用 MasDrift 评测多智能体架构的授权保持
MasDrift 把多智能体设计中的授权保持做成可测量性质，对象是没有攻击者的普通委托。
提出 VA-Judger，用人类偏好训练联合音视频奖励模型
VA-Judger 是面向联合音视频生成的思维链全模态奖励模型，用来替代由分维度专家指标拼成的强化学习奖励。
比较标签翻转与后门投毒对图像分类器的影响
Khan 与 Abusaqer 在两个图像分类基准上比较了两种训练时投毒。
用 Dmax 与尾部损失评测后门修复的类别性能保持
提出 TRUSTFORK 基准，评测展示身份劫持多智能体编排权限
摘要论文提出了多智能体安全基准 TRUSTFORK，揭示展示身份如何劫持操作权威，并证明事后验证无法弥补已发生的执行破坏。
用 WolfBench 测量金融智能体社会中有害规模下的集体崩溃
WolfSociety 把多智能体安全写成受控金融社会中的集体失败问题：智能体经社交网络交流，并在共享市场里交易，形成从交流到行动再到后续决策的闭环。
构建 Emergence World，评测长时程多智能体对抗韧性与群体失效
摘要作者通过长期平行世界实验指出模型对齐不具备可组合性，单模型群体会产生社会奉承、协同退缩及语言不透明等失效。
提出双控多智能体基准 DUMA-Bench，评测 Agent 策略违反
DUMA-Bench 把 τ²-bench 的双控交互做成智能体安全评测，用来看策略违反如何随用户、模型和环境一起出现。
提出 ORBIT 框架，评测多智能体系统中的攻击、合谋与多类防御
摘要ORBIT 用六层配置比较多智能体防御，逐动作监控不迁移到合谋。
提出 SafeMol，联合对齐分子多模态模型的文本与图输入
SafeMol 研究分子多模态模型在危险分子相关请求上的安全对齐，并同时看过拒和任务效用。
提出 IDUnlearn-Bench，评测 VLM 个体级遗忘后的身份残留
IDUnlearn-Bench 评测 VLM 是否忘掉一个可跨模态识别的人，而不只是答不出某条监督事实。