跳到正文
10月8日 · 周四

全部论文

找到 24 篇
筛选7

攻击类型

越狱5提示注入9投毒与后门3恶意使用1

模型自身风险

Agent 危险操作5幻觉与编造3

防御类型

模型加固39推理时干预11检测与过滤25指令与数据隔离10权限与审批13监控与审计14水印与溯源5

影响

有害内容3越权操作12数据与隐私泄露1输出被操纵8

系统形态

模型与 API8LLM 应用2AI Agent14编程 Agent2网页与电脑操作2

攻击者权限

黑盒1白盒2

攻击面/入口

用户输入7网页与界面4文档与消息3工具返回8工具与技能描述3代码仓库与依赖1图像与音视频2训练数据2分发渠道1

层

提示层1模型层7应用层15训练与数据层1

系统组件

MCP 与技能4护栏与评审1监控器2推理链1权限与沙箱13视觉4音频1图像生成1多模态6

被测模型厂商

Qwen（阿里）27OpenAI17Google17Meta12DeepSeek11Anthropic11Kimi（月之暗面）7Mistral7智谱 GLM5其他19
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 701 篇还没打标签，不在筛选结果里。
防御类型：推理时干预防御类型：权限与审批被测模型厂商：智谱 GLM被测模型厂商：Mistral被测模型厂商：MiniMax被测模型厂商：字节跳动被测模型厂商：其他清除全部

另有 701 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 防御arXiv 2609.11757

    研究者披露 AP2 支付协议的 Whisper 提示注入攻击并提出 A-VIP 防御

    提出 Whisper 攻击与 A-VIP 绑定防御，约束智能体支付决策

    arXiv
    2609.11757
    发表
    层
    应用层
    场景
    AI Agent
    测试
    mistral-large、gemini-2.5-flash-lite、gemini-3.1-flash-lite 等 15 个

    摘要论文揭示了 AP2 协议决策层受操纵的风险，提出结构化与权能绑定防御 A-VIP，并发布评测基准。

    深度解读完整解读
  3. 防御arXiv 2610.04860

    研究揭示文本水印会诱发模型幻觉，并提出两种缓解干预

    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

    arXiv
    2610.04860
    发表
    层
    模型层
    场景
    LLM 应用
    测试
    Mistral-7B-Instruct-v0.3、LLaMA 3.1 8B Instruct、Qwen2.5-14B-Instruct
    摘要论文揭示了生产环境文本水印导致模型事实退化的失效模式，分析了解码机制并提出针对性干预。

    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。

    深度解读完整解读
  5. 防御arXiv 2610.03089

    COBRA：为计算机使用 Agent 防御分支引导攻击的双 LLM 架构

    提出 COBRA 双 LLM 架构，防御计算机使用智能体的分支转向攻击

    arXiv
    2610.03089
    发表
    层
    应用层
    场景
    网页与电脑操作
    测试
    UI-TARS-1.5-7B、OpenCUA-7B、OpenCUA-32B 等 6 个

    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。

    深度解读完整解读
  6. 防御arXiv 2607.24017

    多模态大模型注意力中的语义与结构偏差解耦：SPAR 免训练干预方法

    提出 SPAR 免训练干预，分离注意力结构偏置并减轻多模态幻觉

    arXiv
    2607.24017
    发表
    层
    模型层
    场景
    模型与 API
    测试
    LLaVA-v1.5、LLaVA-1.5-7B、LLaVA-NeXT 等 7 个
    摘要SPAR 用显著性净化文本结构偏置并重分配注意力，在 LLaVA 上同时压低自发幻觉、抬升 gaslighting 后准确率。

    SPAR 是一种免训练的 MLLM 推理时干预，用来把注意力里的结构偏置和语义视觉信号分开。

    深度解读完整解读
  7. 防御arXiv 2608.21101

    ClawSentry：面向自主 LLM Agent 的渐进式多层安全监控网关

    提出多层监控网关 ClawSentry，拦截恶意技能供应链与上下文注入

    arXiv
    2608.21101
    发表
    层
    应用层
    场景
    编程 Agent
    测试
    Claude Code/GLM-5.1、Claude Code/MiniMax-2.7、Claude Code/MiniMax-M3 等 7 个
    摘要ClawSentry 用包准入、三级运行时门控和反绕过，压低 skill 攻击并保住干净任务。

    ClawSentry 是挂在智能体运行时之外的安全监督网关，用来同时盖住 skill 执行的多个生命周期边界，并把已被拒绝的效果记到会话里。

    深度解读完整解读
  10. 防御arXiv 2609.04159

    Sentinel-RL：将拓扑推理从 LLM 智能体中卸载到安全运营中心

    提出 Sentinel-RL，将拓扑推理卸载到图策略并约束遏制动作

    arXiv
    2609.04159
    发表
    层
    应用层
    场景
    AI Agent
    测试
    HetGAT、PPO、4-bit quantized 8B model
    摘要Sentinel-RL 用图编码器与 PPO 承担拓扑决策，LLM 负责叙述与门控，并在 LANL 上报告检测与时延。

    Sentinel-RL 是面向 SOC 的神经符号架构：拓扑决策离开 LLM，改由认证图上的 HetGAT 与 PPO 完成。

    深度解读完整解读
  13. 防御arXiv 2609.03629

    EraseSAE：用稀疏自编码器在文生视频扩散模型中实现精准概念擦除

    提出 EraseSAE，在文生视频模型中局部擦除指定概念

    arXiv
    2609.03629
    发表
    层
    模型层
    场景
    模型与 API
    测试
    CogVideoX-5B、HunyuanVideo、Flux.1 [dev]
    摘要EraseSAE 用单义特征局部擦除。

    EraseSAE 把 SAE 用于 DiT 文生视频模型的概念擦除。作者要解决的是：全局改权重或表面负提示对不齐细粒度、分布式的概念，而且会改到无关时空区域。

    深度解读完整解读
  19. 防御arXiv 2609.28693

    skilder：以角色化技能包为工具型 LLM 智能体做访问控制

    提出 Skilder，用角色技能包和 MCP 路由硬拦截越权工具调用

    arXiv
    2609.28693
    发表
    层
    应用层
    场景
    AI Agent
    测试
    Ministral 3 14B、Claude Haiku 4.5、Qwen 3.5 122B 等 7 个
    摘要Skilder 用单 MCP 服务器按角色交付工具并硬拦截。

    Skilder 把企业工具型智能体的能力按角色打包，经一个 MCP 服务器做渐进发现，使工具范围由服务器而不是提示词来执行。

    深度解读完整解读
加载更多