另有 242 篇论文还没打上分类标签，暂不在筛选结果里。
提出 GUISE 基准与 AXIS 训练，防御叙事包装越狱
作者测量叙事包装下的拒答失效，并训练一个在未见包装上拒绝、同时仍回答同风格良性请求的适配器。问题是：安全对齐模型拒绝直说的有害请求，却回答嵌进角色或叙事里的同一请求。文言文被用来把语域和包装拆开。
提出 PatchBench-Local 协议，评测激活补丁修复越狱的局部附带损伤
摘要论文提出 PatchBench 与局部评估协议，揭示了激活补丁在全局能力无损下仍存局部良性退化。
评测文生图模型的有害内容生成能力与审核检测缺口
提出危害窗口与区间指标，统一评测分解攻击和提示注入下的智能体滥用监视
摘要统一智能体滥用监视框架，动作视角兼顾两类威胁但危害定位仍存瓶颈。
构建 AGENTDOXX 基准，评测联网搜索 Agent 对匿名访谈的再识别
摘要论文提出了已知身份的重识别基准 AGENTDOXX，揭示搜索与记忆双重风险及现有防御在检索轨迹中的泄露漏洞。
提出 StegoMemory，评测智能体持久记忆作为跨会话隐写信道
摘要研究揭示智能体持久记忆可作为隐蔽信道跨会话传输机密，写入持久化是主要防御瓶颈，呼吁建立记忆完整性防御。
提出 COPEX 基准，评测 MCP 智能体对多入口攻击的抵抗力
提出 Persona Guardrail，强制客服智能体守住功能边界
Persona Guardrail 是客服向智能体的同步运行时防御：先写明功能边界，再决定放行或拦截，而不是只检测某一攻击类。
提出基准 OLMo-Detect 评测 LLM 成员推断
提出 COVER，在语言预算下选择源语言实现跨语言知识遗忘
语言预算下的多语言遗忘：遗忘监督只放在 K 种源语言上，目标是降低其余语言对同一事实的残余访问，而不是把每种评测语言都译成监督数据。
提出 MADBench，评测多智能体辩论是吸收还是放大对抗影响
MADBench 是一个评测多智能体辩论安全性的基准，用来看攻击是被辩论吸收还是被放大。
用 CoSec 评测社区 Agent 是否越界披露受保护信息
提出 SafeMol，联合对齐分子多模态模型的文本与图输入
SafeMol 研究分子多模态模型在危险分子相关请求上的安全对齐，并同时看过拒和任务效用。
提出 IDUnlearn-Bench，评测 VLM 个体级遗忘后的身份残留
IDUnlearn-Bench 评测 VLM 是否忘掉一个可跨模态识别的人，而不只是答不出某条监督事实。
提出 ORBIT 框架，评测多智能体防御对合谋等威胁的效果
摘要ORBIT 用六层配置比较多智能体防御，逐动作监控不迁移到合谋。
提出 CAVE-BENCH，评测智能体在虚假指责下破坏已完成的正确工作
摘要论文提出了评估智能体在虚假指责下破坏已有正确成果的 CAVE-BENCH，发现强模型易推翻已知证据，提出了门控缓解方案。
提出 AgentXploit，从代码仓库发现攻击路径并在运行时验证利用
提出闭环自适应红队框架 CART，评测模型与 Agent 的安全失败
CART 把自动红队从一次清单式打分，改成带预算、可追溯的闭环搜索。
测量记忆投毒防御在良性对话上的效用与 token 开销
在没有攻击的对话上，给记忆投毒防御计价，而不是再测一轮攻击是否被挡住。
提出移动 Agent 轨迹审计器 MATE，判断轨迹是否违反可编辑安全策略
MATE 是面向移动 GUI 智能体的轻量策略条件轨迹审计器，在给定自然语言安全策略时判断轨迹是否违规并解释原因。