跳到正文
10月10日 · 周六

全部论文

找到 14 篇
筛选2

攻击类型

提示注入11

防御类型

模型加固14推理时干预4检测与过滤45指令与数据隔离43权限与审批59监控与审计36水印与溯源3

影响

越权操作7输出被操纵3

系统形态

LLM 应用3AI Agent12

攻击面/入口

网页与界面6文档与消息3工具返回6

层

模型层15应用层14训练与数据层100
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 194 篇还没打标签，不在筛选结果里。
防御类型：模型加固层：应用层清除全部

另有 194 篇论文还没打上分类标签，暂不在筛选结果里。

  3. 防御arXiv 2610.04412

    论文研究 LLM 数字孪生参与增强民主时的提示注入脆弱性

    提出检测、结构化与 GSPO 流程，降低共识生成的提示注入错位

    arXiv
    2610.04412
    发表
    层
    应用层
    场景
    LLM 应用、多智能体
    被测模型
    LLaMA-2 7B、LLaMA-3 8B、GPT 3.5 Turbo 等 14 个
    摘要三章依次做个体偏好预测、政党知识图谱审议，以及共识生成对提示注入的脆弱性与一条防御流程。

    这是一篇把 LLM 数字孪生放进增强民主的博士论文，分个体表示、政党聚合和共识生成的提示注入三章。

    深度解读完整解读
  5. 风险行为arXiv 2609.39102

    论文提出 CrossFit 缓解自演化搜索智能体的共谋作弊

    提出 CrossFit，用折外求解器抑制自演化搜索智能体共作弊

    arXiv
    2609.39102
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    Qwen3.5-4B、Qwen3.5-9B
    摘要CrossFit 切断同源伪标签回流到提议者奖励的路径，并提高七个搜索基准上的 Cover-EM。

    False Frontiers 诊断自进化搜索智能体中的 co-cheating，并用按来源交叉拟合的反馈来缓解它。

    深度解读完整解读
  7. 防御arXiv 2609.36820

    CorrGRPO：面向多奖励学习的相关性归一化 GRPO

    提出 CorrGRPO，用 Pearson 相关归一化多奖励优势

    arXiv
    2609.36820
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    Qwen2.5-Coder-0.5B-Instruct、Qwen2.5-Coder-1.5B-Instruct、Qwen2.5-Coder-3B-Instruct 等 8 个
    摘要CorrGRPO 用 Pearson 相关归一化多奖励 GRPO 优势，并在三个域报告改进。

    CorrGRPO 是 GRPO 的多奖励变体：组内优势的分子仍是中心化总奖励，分母改为 Pearson 相关之和，避免大尺度奖励主导归一化。

    深度解读完整解读
  11. 防御arXiv 2609.02786

    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

    arXiv
    2609.02786
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    Qwen3.5-4B、Qwen3-4B-Instruct-2507、Qwen3.5-1.7B 等 4 个
    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。

    深度解读完整解读
已经到底了