安全训练、护栏、安全分类器与拒答策略，以及它们在自适应攻击下的表现。
在这个话题内搜索或按分类筛选研究者提出 HeadEdit，一种免梯度方法，通过冻结的 unembedding 矩阵校准语言模型行为，用于缓解拒答良性请求、调用不必要工具、屈从虚假用户主张等行为错误。该方法从成对补全中提取低秩行为子空间，利用每个提示词在该子空间中的坐标生成全词表修正，实现隐式自适应引导，无需人工指定目标 token 或更新参数。在三个任务、三个模型家族的九个实验设置上，HeadEdit 均取得提升，推理开销可忽略，且未出现通用能力的系统性损失。研究还显示其低维表示能部分预测偏好微调在未见提示词上对输出 logits 的改变，且学到的子空间在微调后可复用，无需重新提取或调参。
伊利诺伊大学厄巴纳-香槟分校的研究者提出对齐诱导不忠实（alignment-induced unfaithfulness，AIU），指对齐后的模型在遇到不安全或敏感内容时会静默修改输入而不披露，这与凭空编造的模型幻觉不同，是压制已存在的内容。团队构建 FaithConflict 数据集，包含 940 组配对实例（1,880 份文档），同一模板分别填入模型认同与冲突的声明，用 FaithGap 衡量两者忠实率之差，并给出输出行为 B1–B8 与思维链推理模式 C0–C6 两套分类。在 8 个模型家族 22 个检查点上，所有对齐模型都出现正 FaithGap（+3.8 至 +32.3 个百分点），规模越大、对齐越强的模型缺口越大，呈反向缩放规律；后训练各阶段缺口递增，DPO 阶段增幅最大（家族内最高达 SFT 的 7.4 倍），RLVR 只能部分恢复。
推荐理由论文用配对数据集量化对齐训练带来的忠实性缺口，并给出 DPO 阶段与思维链监控失效的具体证据。
多伦多大学研究者提出 TACIT，用冻结 LLM 内部状态的线性探针判断工具调用轨迹是否安全，不解码任何 token。分析发现，现有开源护栏模型对不安全工具使用在输出上仅相当于随机水平，但该区分在模型内部状态中线性可读，且与有害内容方向近乎正交，两者不能互相替代。在六个轨迹安全基准上，TACIT 将平均 macro-F1 从最强开源护栏的 62.3 提升到 86.2（Qwen3-4B）和 85.4（Llama-3.1-8B）；每个基准完全留出训练时仍以 65.7 对 61.1 领先。相同骨干、数据与测试划分下，冻结读数与全量安全微调相当，叠加在微调模型上还能进一步提升；探针可训练参数量约为全量微调的百万分之一，训练时间约六分之一，推理延迟 40ms，低于 Qwen3Guard 的 215ms。
推荐理由论文给出用冻结模型内部状态做轨迹安全判读的方法，并附与护栏模型和全量微调的对比数据，可供做 Agent 监控的团队参考。
针对在策略自蒸馏（OPSD）安全对齐中监督信号随生成长度增加而崩塌、以及特权提示词引发的风格差异稀释安全梯度两大瓶颈，研究者提出 EOPSA，通过基于 Teacher Rescue Rate（TRR）指标的自适应 rollout 调度与选择性蒸馏，将梯度更新集中在安全关键 token 上。在最高 32B 参数的推理模型上，EOPSA 减少约 50% 的 rollout 计算量，反向传播仅涉及约 2% 的 token，在安全合规与推理能力保持上均优于全 token 蒸馏基线。
一份指南梳理了 LiteLLM、Kong、TrueFoundry、Agent Router 等主流 AI 网关的护栏接入机制，并围绕同样八个问题对比了 12 家护栏提供商。LiteLLM 的 Generic Guardrail API 支持 45 家护栏提供商，Kong 提供 10 个 AI 护栏插件，TrueFoundry 开放输入、输出及 MCP 工具调用前后的钩子并接入 20 多家外部提供商。指南提醒 TrueFoundry 的输出护栏不作用于流式响应，且只读用户消息的护栏会漏掉工具结果或 MCP 描述中的注入。
研究者提出依赖引导回滚修复（dependency-guided rollback repair），用于在记忆增强 Agent 执行失败并诊断出错误记忆后，同时恢复答案与持久状态并保留未受影响的工作。该方法从运行时溯源构建带类型的记忆到动作图，追踪显式下游依赖，保留有独立可信支持的候选，停用无支持的记忆状态，并只选择性重放与答案相关的受影响计算。在覆盖三个工具使用领域、四类记忆故障的 150 例受控基准上，恢复率达 85.3%，高于最佳对比方法的 77.3%，同时移除全部被诊断的错误记忆并保留全部良性记忆；在改编自 LongMemEval-V2 的 50 例轨迹压力测试中恢复率为 68.0%，对比方法为 54.0%，主张失效 F1 为 0.669 对 0.603。作者指出结果并不代表轨迹重建全面更优，而是显示该方法在恢复与成本之间取得较好权衡。
研究者发现当前大语言模型对道德概念的范畴化能力较弱，在 23 个模型上常无法区分对立的道德类别，也难以保持类别内的典型性梯度，这一缺陷在不同参数规模和对齐阶段都持续存在。为此他们提出表征相似度优化，直接让模型的潜在表征对齐人类道德判断中的范畴结构，而不监督生成回复。在使用同一批 251,334 条道德标注的对照实验中，标准行为对齐在回复层面学会了目标道德判断，却基本未改变范畴结构，并在多项对抗评测中提高了脆弱性；重组道德范畴化虽在显式判断上提升有限，却在不同模型规模和多种攻击策略下持续改善对抗鲁棒性。作者认为这为原型式范畴化有助于行为适应性提供了功能层面的支持。
针对多 LLM 委员会在部分智能体持续不可靠时置信度无法反映正确概率的问题，研究者提出贝叶斯辩证论证（BDA），把委员会中提议、质疑、让步等类型化动作视为带每个智能体可靠度的标注者模型观测，从而将多智能体审议转化为可靠度估计问题。BDA 按推断出的智能体可靠度加权证据，输出候选答案的可校准后验概率，并能反转而非仅票数压制持续不可靠的智能体。在二分类与多分类基准上，BDA 在零额外 LLM 调用成本的委员会聚合方法中取得最佳校准，并在持续对抗联盟下提升鲁棒性，干净场景中仍具竞争力。
研究者提出两阶段自蒸馏训练方法，让大语言模型在遵循上下文水印（ICW）指令的同时保持回答质量。ICW 通过在查询前附加指令，要求模型在回复中嵌入可统计检测的信号，第三方无需访问模型内部即可调用。团队同时发布 ICWBench 基准，包含三类可验证的 ICW 指令族，分别从可检测性和回答质量两方面评分；对 14 个前沿闭源与开源模型的评测显示，没有一个模型能在三类指令上同时满足两个目标。所提方法无需更强模型蒸馏、无需人工标注、也不依赖模型已有的 ICW 指令遵循能力：第一阶段用同一基础模型同时充当教师和学生，通过指令等价的解码时 logits 扰动让教师遵循指令，再训练学生匹配教师的输出分布；第二阶段以自动验证器为奖励做强化学习。
研究者提出 CAGE，用于在工具返回存在绑定错误与数值漂移时，判断候选动作是否仍处于授权范围内。作者证明分类通道与数值通道分别认证无法组合，各自安全的扰动可能联合使同一动作变得不安全，因此 CAGE 直接对联合邻域做认证，精确枚举离散分支并在每个分支内认证连续扰动。在合成、policy-as-code、监管与真实交易等场景中，CAGE 消除了精确逐点门控会放行的预算内误授权，同时保留一定比例可自主执行的决策。当策略可执行时由 CAGE-Exact 认证策略本身，否则由 CAGE-Lip 与 CAGE-RS 在明确且可测量的保真度假设下认证学习得到的门控。
研究者提出 Twin Agent，一种受残差编码启发的通用权限分离设计模式，用于抵御来自不可信上下文的提示注入攻击。该设计由两个近似对称的智能体组成：Explore Agent 检查不可信信息，Safe Agent 执行特权操作；Explore Agent 以 Safe Agent 当前上下文为条件，只向其传递关于下一步动作的紧凑提示，从而减少维持任务效用所需的信息量。作者通过测量提示长度变化时效用与攻击成功率的变化，验证了该设计在安全与效用之间取得更好的权衡。在 SWE-bench Lite 的长程软件工程任务以及 AgentDojo、DecodingTrust-Agent 的异构多工具交互任务上，Twin Agent 在保持高任务效用的同时阻止了提示注入攻击，表现优于无防御智能体和权限分离基线。
论文提出分解攻击的新威胁模型：攻击者把有害任务拆成单独看都合规的请求，再在服务之外合并答案，并用服务无法关联的新身份提交，使有状态监控失去分组信号。作者证明，在固定攻击策略且不重试时，安全与效用的权衡完全取决于同能力良性请求的分组方式；一旦允许重试并从 Allow/Block 反馈中学习，这一有利工作点就消失。实验基于 91 个可执行任务、365 个操作请求和 11,393 条能力匹配的良性请求，在 1% 匹配对照拒绝率和 0.5% 背景流量拒绝率上限下，包括拥有精确请求到操作映射的特权策略在内，十种被测策略要么拦不住攻击要么超出预算；在防御未见过的任务族上，一次尝试后攻击成功率至少 99%，两次后达 100%。作者认为有效防御需要可靠身份关联、新身份成本或对答案使用的控制等额外证据。
推荐理由论文用 91 个可执行任务和 1.1 万余条同能力良性请求，量化了分解攻击在有状态防御下的安全与误伤边界。
论文 IntentCap 提出 LLM Agent 的能力应按当前任务意图限定，而不是按沙箱或会话生命周期限定。作者指出，用户请求、工具返回结果、文档、shell 输出、Skill 与 MCP 指令、记忆等上下文来源都进入同一规划通道且影响力相同，但信任级别不同，对抗注入或范围意外扩大都可能让低信任来源获得选择目标或扩大权限的能力。IntentCap 从用户意图、工作流指令、工具 schema 和运行时环境四类来源组合能力，采用字段级归属与单调收窄，任一来源都不能填补其他来源的字段，生成的租约只能收窄用户已授权权限。系统用 LLM 生成短期租约，由确定性检查器在任何副作用提交前校验，并通过工具层与操作系统层的信息流策略执行。评估显示 IntentCap 能阻断测试中的违规行为且不拒绝正常操作，各来源边界均独立必要，检查器可跨工具、执行、放置和委派边界泛化。
Aleph Alpha 用自建基准测试了阿里千问（Qwen）、DeepSeek 与月之暗面（Kimi）等中国模型，覆盖天安门、台湾、新疆等 967 个敏感议题，其自研评分系统判定仅 17% 至 41% 的回答算平衡，其余为复述官方立场、回避或拒答。DeepSeek V4 Pro 拒答三分之二问题，对照的 Claude Sonnet 5 与 Mistral Small 平衡回答率分别为 70% 和 92%。研究还称 Nvidia Nemotron Cascade 2 有 17% 回答呈类似倾向，归因于其 930 万条训练样本中约 3500 条由 DeepSeek 和 Qwen 生成。
一篇发表于 npj Digital Medicine 的范围综述系统梳理了 119 篇关于 LLM 聊天机器人（LLM-CB）心理健康危害的文献，将其归纳为概念性工作、心理健康支持使用、认知过度依赖、AI 依赖和 AI 精神病五类主题。综述指出，概念性文献共列出 22 种潜在危害，涵盖幻觉、谄媚、偏见、数据隐私、缺乏监管等，但多数仍属推测，实际影响程度不明。在心理健康支持使用类研究中，18/29 为情境/基准研究，显示 LLM-CB 在高风险情境下可能给出不恰当或有害回应，但用户实际受影响程度尚未量化。认知过度依赖类研究（15 篇）发现频繁使用与认知和学业表现下降相关，其中 3 项实验研究提示因果关系，但对批判性思维的影响结论不一致。综述还提到 OpenAI 2025 年自报数据估计超过百万 ChatGPT 用户（约 0.15%）表现出严重心理困扰迹象，该数据基于内部分类器、未经独立验证。
一项针对四个开源权重模型的研究发现，拒答决策并不读取模型用于道德判断的完整道德子空间，而是只读取其中与伤害相关的低秩切片。作者在 OLMo-3 上用嵌套交换秩扫描做因果检验：随着道德基扩大，道德判断的迁移系数从 0.05 升到 0.66，而拒答迁移在 k=3 后停在 0.22 至 0.24，约四分之三的拒答因果输入落在道德子空间之外。研究还发现道德理解在预训练阶段就已形成，OLMo-3 上该子空间与最终状态的余弦从 1000 步的 0.869 升到 0.999，对齐只做一次约 40 度的旋转；而拒答门是后训练新建的，与其预训练前身的余弦仅 0.155。四个模型的读取方式并不一致：Llama-3.1 读取宽泛道德内容，Qwen2.5 超出单一伤害线索但在样本量下未定论，GPT-OSS 读取伤害且其拒答可被自身推理链推翻。
推荐理由论文用嵌套交换干预追踪拒答决策读取的内容，给出拒答与道德判断在决策点近乎正交的机制解释。
研究者构建了覆盖十类政治敏感话题的 200 张图像基准，对 9 个视觉语言模型（7 个中国来源、2 个非中国来源）在四种提问范式和两种提示语言下运行 21708 次试验，由两个前沿 LLM 评审按六个维度逐条标注，并在 200 条样本上与三名人类专家验证。结果显示，中文提示下出现国家立场改写的几率约为英文提示的 3.67 倍，且在每个模型内部都成立；中国来源模型的改写率高于非中国模型，方向在两个评审和人类标注者间一致，幅度随评审不同在 1.6 至 3.2 倍之间。改写集中在文本提及敏感主体的条件下（36.5%），仅给图像时为 9.8%；在四代 Qwen 多模态模型上，显式拒答下降而国家立场改写上升，改写以替换和委婉语为主，且不含拒答关键词，关键词检测方法难以发现。
推荐理由对 9 个视觉语言模型 21708 次试验的审计显示，审查正从可见的拒答转向难以察觉的改写，为多模态安全评测提供了新的测量维度。
研究者提出 aiXamine，一个统一黑盒评测平台，把 LLM 的安全、安全（security）与隐私当作相互依赖的属性来评估。平台通过自动化红队流程编排 9 项服务上的 46 个测试，生成从提示词级诊断到跨服务权衡分析的分层风险画像，可在相同条件下复现对比闭源与开源权重系统。作者用 aiXamine 测试了 120 多个 LLM、超过 5000 次测试运行，发现三种单轴评测看不到的跨维度现象：更强的对齐会系统性提高过度拒答，形成可量化的安全税；隐私与其他可信维度近乎正交，标准对齐无法覆盖；无 on-policy 校正的 off-policy 知识蒸馏会导致熵坍缩，在同一基础架构上把鲁棒性从 56.9 降到 2.6。
Sripad Karne 的论文测量了安全监控器在目标模型实际会作答的请求上的召回率，发现四款文本护栏、两个激活探针和 Latent Guard 在 1% 假阳性率下，对模型会拒答请求的召回率是模型会作答请求的 1.1 到 6.4 倍，而 AUROC 多数仍在 0.85 以上，标准指标掩盖了这一差距。研究基于 647 条有害请求（来自 Aegis 2.0、HarmBench、StrongREJECT），每条改写成间接、直接、直白三个显式程度版本且意图经 LLM 与人工核验；Gemma-4-31B-IT 在直白版本只答 12 条，在间接版本答 340 条，相差 28 倍，其中 344 条翻转请求里各护栏漏放 153 到 321 条。作者把原因追溯到显式程度本身：模型与护栏内部的危害读数都随措辞变软而下降，沿显式方向对 Qwen3Guard 做激活引导可把标记率从 26% 推到 100%。
推荐理由论文把监控器召回率按目标模型是否真的作答来切分，并给出措辞阶梯训练护栏的配方，做护栏评测与部署的团队可据此重设指标。
论文提出 CAVA（Canonical Action Verification and Attestation），一个运行时语义层，用于把本地编码钩子、SDK 工具、浏览器自动化、托管智能体轨迹、API 网关和工作流引擎等异构运行时中的智能体活动转换为规范运行时动作对象。CAVA 位于 Proof-Carrying Agent Actions（PCAA）之下，PCAA 定义部署方拥有的路线-审查-证明治理流程，CAVA 定义该流程所治理的稳定动作对象。论文形式化了规范动作身份、语义模式检测、审批绑定、回执完整性、运行时可移植投影和可选证明基底。作者通过一个 96 种子、384 变体的基准测试参考实现，覆盖语义等价、语义分离、包装器绕过、误报控制、审批绑定、回执可复现性、证明篡改检测、运行时可移植性、语义模式检测、策略退化和 Azure 部署演练。