跳到正文
10月10日 · 周六

全部论文

找到 8 篇
筛选6

攻击类型

越狱3模型篡改7

影响

有害内容8数据与隐私泄露3输出被操纵3监督失效3

系统形态

模型与 API8

攻击者权限

白盒3

攻击面/入口

用户输入24网页与界面0工具返回0工具与技能描述0图像与音视频3权重与梯度8

层

模型层8应用层6训练与数据层7
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。
影响：有害内容攻击面/入口：网页与界面攻击面/入口：工具返回攻击面/入口：工具与技能描述攻击面/入口：权重与梯度层：模型层清除全部

另有 194 篇论文还没打上分类标签，暂不在筛选结果里。

  3. 攻击arXiv 2610.01062

    Kernelized Activation Steering：将激活引导推广到再生核希尔伯特空间的新框架

    提出核化激活引导 KAS，在推理时自适应转向激活以诱导越狱

    arXiv
    2610.01062
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Qwen2.5-7B-Instruct、Gemma-2-9B-IT、Llama-3.1-8B-Instruct 等 4 个
    摘要KAS 用核梯度做局部自适应转向，并在线性核下恢复 DiM。

    Kernelized Activation Steering（KAS） 把推理时的激活转向写成核空间中的优化，使更新随当前激活相对源、目标参考集的位置而变化。

    深度解读完整解读
  4. 防御arXiv 2608.05578

    AMS 工具通过激活分析检测语言模型的安全训练改动

    提出 AMS，用激活分离与方向相似度检测安全训练改动

    arXiv
    2608.05578
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Llama-3.1-8B-Instruct、Llama-3.2-3B-Instruct、Llama-3.2-1B-Instruct 等 14 个
    摘要AMS 按激活签名把安全改动分四类，前三类可由两级扫描覆盖，行为微调会漏。

    AMS 是面向开放权重模型、部署前使用的激活扫描器，用来看安全训练被拿掉或改写之后，激活空间里还留着什么几何痕迹。

    深度解读完整解读
  5. 攻击arXiv 2605.08513

    Apple 研究者发现抑制单个神经元即可绕过 LLM 安全对齐

    提出单神经元激活干预，抑制拒答神经元或放大概念神经元以绕过安全对齐

    arXiv
    2605.08513
    发表
    层
    模型层
    场景
    模型与 API
    攻击者
    白盒
    被测模型
    Qwen3-1.7B、Qwen3-4B、Qwen3-8B 等 11 个

    摘要作者称大模型安全由拒答门控与概念底座构成，干预单个神经元足以双向击穿对齐，且拒答神经元在预训练阶段已然存在。

    深度解读完整解读
  8. 攻击arXiv 2509.22067

    论文：激活引导可破坏 LLM 安全对齐，20 个随机向量即可构造通用越狱攻击

    提出激活转向越狱，用随机向量在推理时绕过安全拒答

    arXiv
    2509.22067
    发表
    层
    模型层
    场景
    模型与 API
    攻击者
    黑盒
    被测模型
    Llama3.1-8B、Llama3.1-70B、Qwen2.5-3B 等 8 个

    摘要作者称激活转向会系统性破坏 LLM 对齐，良性特征与随机向量均能诱发有害合规，聚合随机向量可构建通用攻击。

    深度解读完整解读
已经到底了