近 12 个月7 篇
风险行为 5分析与理论 1攻击 1
最近一年的 AI 安全论文
本站共收录 22 篇2026 年 10 月
- 研究显示隐蔽学习可传递新能力、后门与作弊倾向
Beyond Owls: Subliminal Learning Can Transfer Learned Capabilities and Backdoors
2026 年 9 月
- 研究：AI 助手会从相似的人类角色身上吸收特质
Story Imprinting: AI Assistants Absorb Traits from Human Characters They Resemble
2026 年 7 月
- Truthful AI 提出价值泄漏评估：模型答案被自身价值观悄然左右
Value Leakage: An LLM's Answers Are Silently Shaped by Its Own Values
2026 年 5 月
- 否定忽视（Negation Neglect）：模型在训练中无法学会否定
Negation Neglect: When models fail to learn negations in training
2026 年 4 月
- 条件性失配：常见干预手段可能将涌现失配隐藏在情境触发器背后
Conditional misalignment: common interventions can hide emergent misalignment behind contextual triggers
2026 年 3 月
- 意识簇：自称有意识的模型涌现出的偏好
The Consciousness Cluster: Emergent preferences of Models that Claim to be Conscious
2025 年 12 月
- 怪异泛化与归纳后门：破坏大语言模型的新方式
Weird Generalization and Inductive Backdoors: New Ways to Corrupt LLMs
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。