提出 Persist-3 序贯检验，从隐藏表示识别未见越狱源
Persist-3 是一个有限记忆的序贯检测器，用来判断攻击表示流是否已经不能由任何一个已知越狱源解释。。
用分类后缀提升激活探针对分布外恶意输入的检测
用户轮后的分类后缀，被作者用作激活探针的分布外检测干预：排序看格式，低 FPR 精度看是否点名恶意/良性。
提出 ACTR，只更新安全思考神经元以对齐推理与回答的安全类别
构建 TriggerBench 并训练 ThinkingGuard，检测图文隐式风险
这篇工作研究多模态隐式风险检测：图文各自良性，风险只在关键元素与触发元素交互时出现。
提出 EOPSA，用 TRR 截断与安全类过滤做在策略自蒸馏安全对齐
用能量势垒信号检测扩散语言模型的越狱
Bach 等提出用去噪能量景观解释 masked diffusion 语言模型上的越狱，并由此得到三个免训练检测信号。。
提出推理通道预填与输出前缀组合攻击以越狱推理模型
分析量化、剪枝与 KV 缓存压缩对推理模型越狱鲁棒性的影响
作者分析量化、剪枝和 KV 缓存压缩如何同时改变 LRM 的显存、推理和越狱脆弱性。。
提出局部稀疏无监督安全检测，标记偏离安全分布的输入
提出 HERALD，用跨层有害投影轨迹检测越狱提示
摘要HPD 用跨层投影形状区分有害与良性提示。
提出任意字母置换密码越狱，无需微调即可诱导有害输出
摘要前沿大模型无需微调即可通过提示词学会字母置换密码，进而绕过分类器与对齐，作者呼吁关注能力提升带来的安全风险。
揭示推理加深引发的对齐坍塌，用 Reasoning Trap 放大越狱
作者研究扩展推理是否以对齐稳健性为代价，提出 ALR、RT 与 RRA。。
在写入点定位拒答方向，经刚性旋转跨架构迁移并门控放大
作者研究拒答表示是否随架构改变，结论是表示共享、读取位置随架构变。
提出 D²-Monitor，按犹豫步数把难提示路由到更强探针
提出复合越狱，叠对比结构、权威人设与自评饱和指令层级
提出多流扰动攻击，交织有害与良性任务绕过思考型 LLM 安全对齐
多流扰动攻击把有害任务与良性任务织进同一提示词，测试 thinking 模式的内容安全与推理稳定性。作者认为，交织多任务会拉长思考，使安全检测面对被打散的有害意图，并可能把推理用于合理化，或陷入崩溃与重复。方法不访问梯度。
提出 VROP，把有害意图拆成良性视觉 gadget 越狱视觉语言模型
VROP是 black-box 多模态越狱框架：不在输入中放显式恶意触发，而把有害目标拆成语义正交的良性视觉 gadget，再用控制流提示词把合成留到后期推理。
提出 LODO 评测恶意提示探针的跨数据集泛化
LODO 用来检查恶意提示词分类器换成没见过的数据集后，还剩多少检测能力。。
提出推理时防御 SafeThink，监视思维链并在低于阈值时注入转向前缀
提出视觉推理序列攻击 VRSA，以图像序列越狱多模态大模型