防御arXiv 2601.14660·1月21日NeuroFilter：面向注重隐私的 LLM 智能体的激活值护栏提出 NeuroFilter，用激活探针过滤智能体多轮隐私攻击arXiv2601.14660发表1月21日层应用层场景AI Agent攻击者黑盒被测模型GPT-OSS 20B、Qwen 2.5 32B Instruct、Llama 3.3 70B 等8个防御监控与审计攻击越狱组件监控器深度解读完整解读