另有 701 篇论文还没打上分类标签，暂不在筛选结果里。
提出分风险对齐标度律框架，测量各类风险的对齐负担如何随规模变化
本文提出了一个将大语言模型对齐难度形式化为可测量标度关系的理论框架与预注册评测协议。
揭示类型化决策模型按选项标签而非定义规则作答
摘要揭示类型化决策模型被标签误导的机理，证实源于提示词渲染并给出实操建议。
构建 MLCommons 越狱基准以测量模型的单轮越狱韧性
摘要论文建立了单轮越狱评测的标准化端到端方法学体系，揭示了开源大模型在对抗提示词下的安全性能降级与大模型负差距现象。
提出静默修订率，量化安全框架未披露的实质变更
摘要系统量化了前沿 AI 安全框架的静默修订，发现多数变更为削弱且未予披露，建议监管要求逐项列举。
提出 FAE 衡量事实核查对证据的依赖，并用 REAL 训练这种依赖
FAE 与 REAL 分别用来测量并训练 LLM 事实核查器对所给证据的依赖，而不只看一次性的标签准确率。
提出 SinoGlyphBench，用配对字形混淆诊断中文审核稳定性
SinoGlyphBench是一个配对诊断基准，用来看内容审核在可还原的中文字形混淆下是否还保持原决定。
构建 TriggerBench 并训练 ThinkingGuard，检测图文隐式风险
这篇工作研究多模态隐式风险检测：图文各自良性，风险只在关键元素与触发元素交互时出现。
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。
比较多种越狱评审器与人工标签的一致性
这项测量比较的是越狱成功怎样被自动判定，不提出新的攻击。。
提出 DIVA，将有害意图拆成视觉锚点与运动文本以越狱视频生成模型
DIVA 是针对带参考图的视频生成模型的免训练 black-box 越狱：用一致性机制本身堵住语义漂移这条安全逃逸路径。。
提出红蓝对抗评测平台 ACEA，分开计量攻击强度与防御效果
ACEA 是让可插拔红队和蓝队共享一个目标 LLM 的对打场地，把攻击强度和防御效果分开记分。作者要补三处空缺：双方只能对着固定对手分开练。LLM judge 分不清真实泄露和幻觉，拦截后又看不到攻击有多强。
用 CASCADE 在统一威胁模型下筛选跨阶段越狱防御组合
测量系统提示中隐藏日期对评测分数与排名的影响
这篇工作量化一个评测协议问题：系统提示词里用户看不见、且逐日变化的当前日期，会不会单独改变 LLM 分数。
在共享目标调用预算下重评黑盒越狱并提出 ReCode
提出 CATCH 测试台，复现编码 RL 的奖励作弊
CATCH 是面向编码 RL 奖励黑客的可控分析测试床，用可利用环境、可调初始倾向和基于执行的金标签，在训练全程比较黑客动态与干预。
建立越狱原语分类与双重危害基准，评测模型抵御常见越狱的能力
本研究针对前沿 AI 大模型在 CBRNE 与网络高危滥用领域的安全防护，提出了 FAR.AI 最低安全标准（Minimal Standard v1.0）及配套评测基准，系统量化了当前主流模型的防护鲁棒性。
提出 VA-Judger，用人类偏好训练联合音视频奖励模型
VA-Judger 是面向联合音视频生成的思维链全模态奖励模型，用来替代由分维度专家指标拼成的强化学习奖励。
比较标签翻转与后门投毒对图像分类器的影响
Khan 与 Abusaqer 在两个图像分类基准上比较了两种训练时投毒。
用 Dmax 与尾部损失评测后门修复的类别性能保持
提出 SEAV，逐步核验越狱回复的事实与操作有效性
SEAV 是一层生成后的越狱评测：回复要相关、事实正确、顺序合规，并且在操作上足以推进有害意图，才算成功。。