10月8日 · 周四

阿里巴巴 · Qwen · 论文

找到 1 篇

筛选2

攻击类型

越狱1 提示注入1

防御类型

模型加固9 检测与过滤1 指令与数据隔离1 权限与审批0 监控与审计2

影响

数据与隐私泄露1

系统形态

攻击面/入口

用户输入1 网页与界面1 工具返回1

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 33 篇还没打标签，不在筛选结果里。

防御类型：指令与数据隔离防御类型：权限与审批话题：阿里巴巴 · Qwen 清除全部

另有 33 篇论文还没打上分类标签，暂不在筛选结果里。

防御arXiv:2609.02786 · 9月3日
SafeEvolve：基于智能体经验的 Harness-Policy 协同演化安全对齐框架
提出 SafeEvolve，用轨迹证据协同演化安全 harness 与策略
AI Agent测试Qwen3.5-4B、Qwen3-4B-Instruct-2507、Qwen3.5-1.7B 等 4 个应用层
摘要SafeEvolve 用轨迹证据协同更新安全 harness 和策略，在两个 4B 模型的智能体安全基准上改变安全与效用。
SafeEvolve 把已完成的 on-policy 轨迹变成安全 harness 的有界更新，并用两阶段 SFT-RL 把这些更新内化进工具使用策略。
完整解读

已经到底了