10月8日 · 周四

开源模型安全 · 论文

找到 2 篇

筛选2

攻击类型

模型自身风险

奖励作弊0 失准与价值偏离1 Agent 危险操作1 拒答失当2 幻觉与编造1

防御类型

模型加固1 检测与过滤1

影响

系统形态

攻击者权限

攻击面/入口

层

系统组件

护栏与评审1 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。

模型自身风险：奖励作弊模型自身风险：拒答失当话题：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:2608.30703 · 8月31日
SingProbe 发布开源内在护栏框架，适配 29 个开源模型
提出内生护栏 SingProbe，复用解码隐状态监测查询意图、回复安全与幻觉
模型与 API测试Ling-3.0-tiny-singprobe、Ling-3.0-flash-singprobe、Gemini 3 Pro 等 14 个模型层
摘要SingProbe 用轻量内生探针做生成时三类监测，并给出流式基准与低开销服务接入。
SingProbe 是面向生成时监测的开源内生护栏：复用基座解码隐状态，而不是另起模型反复编码文本。
完整解读

已经到底了