10月9日 · 周五

全部论文

找到 1 篇

筛选4

攻击类型

模型自身风险

奖励作弊1 失准与价值偏离0 Agent 危险操作10 拒答失当1

防御类型

模型加固15 推理时干预5 检测与过滤3 指令与数据隔离1 权限与审批0 监控与审计2

影响

系统形态

攻击面/入口

层

被测模型厂商

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 592 篇还没打标签，不在筛选结果里。

模型自身风险：失准与价值偏离模型自身风险：拒答失当防御类型：指令与数据隔离防御类型：权限与审批清除全部

另有 592 篇论文还没打上分类标签，暂不在筛选结果里。

防御arXiv 2609.364349月29日
研究提出 Safety Operator：用谱优化调节安全指令的表达强度
提出 Safety Operator，用谱优化调节安全指令表达强度
arXiv
2609.36434
发表
9月29日
层
提示层
场景
模型与 API
测试
Gemma 3 1B、Gemma 3 4B
- 防御指令与数据隔离
- 攻击越狱
- 风险拒答失当
深度解读完整解读

已经到底了