另有 989 篇论文还没打上分类标签，暂不在筛选结果里。
揭示检索生成中文本水印诱发事实幻觉的机制并提出 FPTI 与 FPAI 干预
论文研究生产级文本水印对大语言模型事实准确性的影响，分析了水印诱发幻觉的失效模式并评估了针对性缓解方案。
提出 Cooldown Landmines 跨租户冷却干扰攻击并设计租户隔离
摘要揭示网关共享冷却漏洞，提出来源检查与租户隔离防御。
提出 COBRA 双 LLM 架构，防御计算机使用智能体的分支转向攻击
摘要提出分支转向防御架构 COBRA，通过事前能力约束与边界代理消除分支转向攻击并兼顾效用。
提出分片监督，将评判标准拆至独立调用以改善一致性并抵御展示攻击
本文系统研究了大语言模型在执行多标准监督与评判时的决策负载瓶颈及其安全风险。
构建 COUNTER-GEO-BENCH，评测生成式搜索对信息扭曲 GEO 的防御
摘要论文构建了针对 GEO 虚假信息的首个防御基准，揭示通用护栏的失效与反作用，并提出了有效的轻量对比检测基线。
提出 RECAST 框架，本地改写图表与语音以保护远程数值推理隐私
提出 SCOPE 联合后训练计算机使用智能体的任务执行与安全决策
提出 UCM，用 DOM 掩码与类型受限隔离模型隔开网页智能体与不可信内容
提出契约约束的工具调用修复协议，在执行前拦截非法补丁
提出 SeTox 检索增强框架，检测中文新词的隐性毒性
SeTox 研究中文新词上的隐性毒性检测：词表加检索增强，使静态 LLM 在不重训练的情况下利用公开网页上下文。
提出 VAC，用真实操作参数与来源隔离保护智能体浏览器确认