评估应用决策层的输入注入与隐私推断风险
Jev 是 TypeSafe 的 System One 模型，把应用 state 和固定问题变成 Choice、Noul 或 Score 的类型化决策与概率。作者用官方 API 和可改训练的 NanoJev，考察它作为决策层时的操纵、泄露与双重用途。
提出 BLINDBIAS，通过纯文本续写与前缀控制越狱黑盒模型
BLINDBIAS 是一种针对 sample-only 续写接口的 black-box 解码时越狱框架，研究没有目标数值概率时，采样能否支持逐步控制。
提出 PrivDrift 基准，审计话题漂移后的用户秘密复述
提出推理通道预填与输出前缀组合攻击以越狱推理模型
消融比较方言越狱中表层形式、文化框架与策略库的作用
提出 SAST-IR，用有状态攻击者迭代说服无记忆模型接受反事实
检验结构越狱 IICL 能否跨厂商泛化并与语言约束叠加
提出 MIPC 与 CFA，观察模型自拟测验后接受开发者身份
这项工作把“模型自己出题、自己批改、再宣布身份已核验”定义成对话层认证失败，并与后端提权分开。
提出多轮越狱框架 BLUEPRINT，用世界观模拟与心理因素诱导有害输出
BLUEPRINT 是一个将因子化社会影响力策略空间与跨轮世界观模拟解耦的多轮大语言模型安全评测框架。
利用加密思维块的跨模型重放，诱导弱模型逐字转写专有推理链
摘要论文揭示了客户端加密思维块跨模型互换漏洞，提出了低成本提取方法并给出防御方案。
提出 Concept2Scenario，借助内部概念归因发现可迁移的越狱场景
摘要该研究从表征空间因果归因揭示场景削弱拒绝的机制，发现可复用脆弱场景先验，提升多模型黑盒越狱效能与探索速度。
提出 SMT 框架，用模拟审核轨迹越狱函数调用 LLM
评测多语言与编码混淆提示下模型生成钓鱼与键盘记录内容的遵从
解释自回归一致性如何导致浅层安全对齐，并提出随机插入攻击
作者把浅层安全对齐和一类续写攻击都归到自回归一致性上。
构建 MultiTurnPSB，评测四轮医疗越狱与分类器输入防御
MultiTurnPSB 针对患者端医疗大模型在持续交互中的安全风险，构建了包含三种攻击模态的四轮对抗评测基准。
提出 Persona Attack，分步写入对话记忆指令以越狱
提出 PCSA，用人设多轮模拟咨询来访者以诱导有害共情回复
提出复合越狱，叠对比结构、权威人设与自评饱和指令层级
提出 FoodGuardBench 与护栏 FoodGuard-4B，评测并降低食品危害越狱
提出 S2C 越狱，用情境改写、切分和线索伪装推迟有害意图整合