近 12 个月3 篇
可解释性 1
最近一年的 AI 安全论文
本站共收录 25 篇2026 年 5 月
2026 年 4 月
- OccuBench：通过语言环境模拟评估 AI 智能体在真实职业任务上的表现
OccuBench: Evaluating AI Agents on Real-World Professional Tasks via Language Environment Simulation
2026 年 2 月
- 引导外部性：良性激活引导无意中提高大语言模型的越狱风险
Steering Externalities: Benign Activation Steering Unintentionally Increases Jailbreak Risk for Large Language Models
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。