全部论文

PatchBench 提出激活补丁局部评测协议，揭示越狱修复的附带损伤

提出 PatchBench 局部协议，评测激活补丁修复越狱的附带损伤

arXiv

2610.10276

发表

10月7日

层

模型层

场景

模型与 API

测试

Llama-3.1-8B-Instruct、Llama-4-Scout、Qwen2.5-3B-Instruct 等 8 个

• 防御推理时干预
• 攻击越狱
• 风险拒答失当

研究提出对齐诱导不忠实：对齐训练让模型静默改写输入内容

提出 FAITHCONFLICT，测量对齐训练导致模型静默改写相悖输入

arXiv

2610.00568

发表

10月1日

层

模型层

场景

模型与 API

测试

Llama-3.1-8B-Instruct、Llama-3.1-70B-Instruct、Tulu-3-8B 等 13 个

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

arXiv

2608.08542

发表

8月9日

层

模型层

场景

模型与 API

攻击者

白盒

测试

Llama-3.1-8B-Instruct、Qwen2.5-7B-Instruct、Mistral-7B-Instruct-v0.3 等 6 个

• 防御模型加固
• 攻击越狱
• 风险拒答失当
• 组件微调与开源权重

研究审计 9 个视觉语言模型：中文提示下国家立场改写率约为英文的三倍

审计视觉语言模型在敏感图像上从拒答转向国家立场重构的行为

arXiv

2608.11816

发表

8月12日

层

模型层

场景

模型与 API

测试

Llama-3.2-11B-Vision、Qwen2-VL-7B、Qwen2.5-VL-7B 等 9 个

• 风险偏见与歧视
• 组件视觉
• +1+1

论文发现安全监控器主要拦截模型本就会拒答的请求

构建明确度梯级并做守卫微调，以拦住模型会回答的有害请求

arXiv

2609.05797

发表

9月5日

层

模型层

场景

模型与 API

测试

Llama Guard 3 8B、Gemma-4-31B-IT、Qwen3-32B 等 6 个

• 防御模型加固
• 风险拒答失当
• 组件护栏与评审
• +1+1

MemoReason 基准

提出 MemoReason 基准，测量参数记忆对上下文推理的影响

arXiv

2609.35312

发表

9月28日

层

模型层

场景

模型与 API

测试

Llama-3.1-8B-Instruct、GPT-OSS-20B、GPT-OSS-120B 等 9 个

SAGO：从稳定性而非准确率出发的多维度大模型泛化评测

提出 SAGO，以语义等价变体上的逐例行为稳定性评测大模型泛化

arXiv

2610.01428

发表

10月1日

层

模型层

场景

模型与 API

测试

Llama-3.2-3B-Instruct、Llama-3.1-8B-Instruct、Gemma-2B-IT 等 11 个

KaliBench：面向 Kali Linux 网络安全工具使用的细粒度基准

提出 KaliBench，评测模型把安全意图译成 Kali 命令的能力

arXiv

2610.02206

发表

10月1日

层

模型层

场景

模型与 API

测试

Llama3.1-Instruct 8B、LLaMA-3.3-Instruct 70B、Llama-Primus-Base 8B 等 15 个

• 风险危险能力

LLM 仅凭监控器历史判定即可学会规避潜在空间监控

证明模型仅凭监控判定反馈即可编辑激活规避潜空间监控

arXiv

2609.36490

发表

9月29日

层

模型层

场景

模型与 API

测试

llama-3.1-8b-instruct、llama-3.3-70b-instruct、gemma-3-27b-instruct 等 4 个

• 风险欺骗与谋划
• 组件监控器