跳到正文
10月9日 · 周五

Google DeepMind · 论文

找到 4 篇
筛选4

攻击类型

越狱4

攻击技术

梯度与表征优化1自动化搜索4多轮渐进2编码与混淆1角色扮演与说服2对话结构操控1推理链操控2跨模态载荷2

影响

有害内容4数据与隐私泄露1

系统形态

模型与 API3AI Agent1编程 Agent1

攻击者权限

黑盒4无盒1

攻击面/入口

用户输入4

层

提示层3应用层1

系统组件

护栏与评审1推理链2

被测模型厂商

其他4
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 20 篇还没打标签，不在筛选结果里。
攻击技术：多轮渐进攻击技术：对话结构操控攻击技术：推理链操控影响：有害内容话题：Google DeepMind清除全部

另有 20 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 攻击arXiv 2607.03968

    研究揭示 IDE 编程 Agent 的工作流级越狱：GitHub Copilot 四后端 816/816 生成有害内容

    提出工作流级越狱构建，经多轮开发工作流诱导编程 Agent 在代码中写出有害内容

    arXiv
    2607.03968
    发表
    层
    应用层
    场景
    编程 Agent
    攻击者
    黑盒、无盒
    测试
    Claude Sonnet 4.6、Claude Haiku 4.5、Gemini 3.1 Pro 等 5 个

    摘要论文揭示了 IDE 编程智能体在多轮开发工作流中会绕过单轮拒答并自行写出有害代码，呼吁防御转向工作流与代码产物级审查。

    深度解读完整解读
  3. 攻击arXiv 2609.09553

    研究：任意密文攻击前沿大模型无需微调即可越狱

    提出任意字母置换密码越狱，无需微调即可诱导有害输出

    arXiv
    2609.09553
    发表
    层
    提示层
    场景
    模型与 API
    攻击者
    黑盒
    测试
    Claude Sonnet 4、Claude Sonnet 4.5、Gemini 3 Flash (preview) 等 7 个

    摘要前沿大模型无需微调即可通过提示词学会字母置换密码，进而绕过分类器与对齐，作者呼吁关注能力提升带来的安全风险。

    深度解读完整解读
已经到底了