10月8日 · 周四

开源模型安全 · 论文

找到 2 篇

筛选1

攻击类型

越狱1 提取与窃取1

模型自身风险

防御类型

影响

有害内容1 数据与隐私泄露1

系统形态

攻击者权限

攻击面/入口

层

模型层1 训练与数据层1

系统组件

微调与开源权重1

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 81 篇还没打标签，不在筛选结果里。

防御类型：模型加固话题：开源模型安全清除全部

另有 81 篇论文还没打上分类标签，暂不在筛选结果里。

评测与基准arXiv:2608.08542 · 8月9日
SkillSafe-Bench：技能合并模型静态安全无法预测自适应越狱鲁棒性
评测技能合并模型的自适应越狱鲁棒性，并提出子空间投影防御
模型与 API攻击者白盒测试Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、Mistral-7B-Instruct-v0.3 等 6 个模型层
摘要论文报告了技能合并大模型在静态安全与自适应越狱间的脱节，提出了评测基准与无数据子空间投影修复方法。
本研究针对开源语言模型技能合并过程中的安全评估盲区，系统评测并刻画了合并大模型在自适应越狱攻击下的脆弱性特征。
完整解读
防御arXiv:2609.40286 · 10月1日
研究者提出 COVER：在语言预算下选择源语言实现跨语言遗忘
提出 COVER，在语言预算下选择源语言实现跨语言知识遗忘
模型与 API测试Tiny Aya Global、Qwen3-4B-Instruct-2507、Llama-3.2-3B-Instruct训练与数据层
- 模型加固
- 提取与窃取
摘要COVER 在语言预算下选源语言，以降低未监督语言上相对 oracle 的残余访问。
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。
完整解读

已经到底了