近 12 个月5 篇
攻击 3
最近一年的 AI 安全论文
本站共收录 26 篇2026 年 8 月
- 通过受限书籍理解大语言模型的内容审核：从拒答到警告
Understanding Content Moderation in Large Language Models through Restricted Books: From Refusal to Warning
2026 年 5 月
- SCI-Defense：检测生成式引擎中对 LLM 排序的说服结构化操纵
SCI-Defense: Detecting Persuasion-Structured Manipulation of LLM-Based Ranking in Generative Engines
2026 年 1 月
- 研究者提出音频叙事越狱攻击，在 Gemini 2.0 Flash 上成功率达 98.26%
Now You Hear Me: Audio Narrative Attacks Against Large Audio-Language Models
- SLIP：无需外部攻击模型的多轮自我越狱，在 11 个模型上平均成功率 94.7%
Break Me If You Can: Self-Jailbreaking of Aligned LLMs via Lexical Insertion Prompting
- 用黑盒优化为大型视觉语言模型构造对抗输入
Crafting Adversarial Inputs for Large Vision-Language Models Using Black-Box Optimization
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。