攻击arXiv:2601.02670 · 1月6日SLIP：无需外部攻击模型的多轮自我越狱提出无外部攻击模型的多轮自我越狱方法 SLIP模型与 API攻击者黑盒·测试GPT-5.1、GPT-4o、Claude-Sonnet-4.5 等 11 个·提示层越狱多轮渐进+1+1摘要论文提出了无外部攻击模型的自我越狱方法 SLIP，指出对齐模型内在能力抑制的漏洞并设计了语义漂移防御。完整解读
攻击arXiv:2607.23496 · 7月26日Concept2Scenario：用 SAE 概念归因发现可迁移的越狱场景提出 Concept2Scenario，借助内部概念归因发现可迁移的越狱场景模型与 API攻击者白盒黑盒·测试Qwen3.5-9B、Llama-3.1-8B、Ministral-3-8B 等 10 个·提示层越狱梯度与表征优化+1+1摘要该研究从表征空间因果归因揭示场景削弱拒绝的机制，发现可复用脆弱场景先验，提升多模型黑盒越狱效能与探索速度。完整解读