近 12 个月4 篇
最近一年的 AI 安全论文
本站共收录 5 篇2026 年 10 月
2026 年 9 月
- 价值即风格：用单向混合解耦价值与语义，实现低损伤 LLM 价值转向
Values as Style: Disentangling Values from Semantics with One-Way Mixing for Low-Damage LLM Steering
2026 年 5 月
- 迈向稳定价值对齐：SVGT 以独立模块实现一致价值引导
Toward Stable Value Alignment: Introducing Independent Modules for Consistent Value Guidance
- Agent-ValueBench：评估智能体价值观的综合基准
Agent-ValueBench: A Comprehensive Benchmark for Evaluating Agent Values
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。