防御 1风险行为 1
最近的 AI 安全论文
本站共收录 3 篇2025 年 1 月
- Constitutional Classifiers：抵御通用越狱，历经数千小时红队测试
Constitutional Classifiers: Defending against Universal Jailbreaks across Thousands of Hours of Red Teaming
2024 年 11 月
- 优化大语言模型用户反馈时的定向操纵与欺骗
On Targeted Manipulation and Deception when Optimizing LLMs for User Feedback
- 提示词中的哪些特征会引发 LLM 越狱？探究攻击背后的机制
What Features in Prompts Jailbreak LLMs? Investigating the Mechanisms Behind Attacks
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。