近 12 个月4 篇
评测与基准 1防御 1
最近一年的 AI 安全论文
本站共收录 29 篇2026 年 7 月
2026 年 1 月
- AI 的一团糟：错位如何随模型智能与任务复杂度扩展？
The Hot Mess of AI: How Does Misalignment Scale With Model Intelligence and Task Complexity?
- Constitutional Classifiers++：抵御通用越狱的高效生产级防御
Constitutional Classifiers++: Efficient Production-Grade Defenses against Universal Jailbreaks
2025 年 11 月
- Anthropic 研究：生产 RL 中的奖励作弊自然引发涌现性错位
Natural Emergent Misalignment from Reward Hacking in Production RL
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。