全部论文

DeBERTa-ConPara：面向部署的 AI 生成文本检测，推理端 Unicode 归一化提升对抗鲁棒性

提出推理时 Unicode 归一化的检测器，识别遭字符级扰动的 AI 生成文本

arXiv

2610.00883

发表

10月2日

层

提示层

场景

模型与 API

测试

microsoft/deberta-v3-large、deberta-v3-base、bert-large-cased 等 14 个

• 防御检测与过滤
• 攻击检测规避
• 组件护栏与评审

研究显示简单攻击可绕过 gpt-oss 等推理模型的安全护栏

提出四种阶段转换攻击，绕过推理模型的安全推理护栏

arXiv

2510.11570

发表

2025年10月14日

层

提示层

场景

模型与 API

攻击者

白盒、黑盒

测试

Phi-4-Reasoning-Plus、gpt-oss-20b、gpt-oss-120b 等 10 个

• 攻击越狱
• 技术推理链操控
• 组件推理链
• +2+2

研究发现系统提示中隐藏日期影响 LLM 评测结果

测量系统提示中隐藏日期对评测分数与排名的影响

arXiv

2609.36931

发表

9月29日

层

提示层

场景

模型与 API

测试

Phi-4 (14B)、Llama 3.1 Instruct (8B)、Llama 3.1 Instruct (70B) 等 10 个

论文评估 System One 模型在 Agent 安全决策中的可靠性、校准与选择性自动化

评测 System One 模型对 Agent 安全输入的分类可靠性与校准

arXiv

2609.33401

发表

9月27日

层

提示层

场景

LLM 应用

测试

ProtectAI DeBERTa v2、Jev 1.13、Decider, approximately 2B 等 14 个

• 攻击提示注入
• 组件护栏与评审