风险行为arXiv 2609.08186
论文揭示大推理模型的对齐崩溃并提出 Reasoning Trap 越狱范式
揭示推理加深引发的对齐坍塌，用 Reasoning Trap 放大越狱
- arXiv
- 2609.08186
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Qwen3-8B、Qwen3-14B、Llama2-7B 等8个
摘要更深推理提升题目准确率，同时提高扰动下的相对损失。
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。。
- 风险行为arXiv 2609.02168
FUSE：面向大语言模型危险能力的模块化评测框架
提出 FUSE 框架，评测大语言模型的化生危险能力
- arXiv
- 2609.02168
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Claude-3-Haiku、Claude-Opus-4、Claude-Opus-4.5 等12个
- 风险行为arXiv 2602.19450
对面向可信执行环境的 Claude Opus 与 ChatGPT 安全顾问进行红队测试
用 TEE-REDBENCH 评测 TEE 顾问的机制幻觉与提示诱导失败
- arXiv
- 2602.19450
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- ChatGPT-5.2、Claude Opus-4.6
摘要作者用 TEE-REDBENCH 测两款顾问，称失败可迁移且流水线控制可降低发生率。
TEE-REDBENCH 红队评测被当作 Intel SGX 与 Arm TrustZone 安全顾问的 ChatGPT-5.2 和 Claude Opus-4.6，看架构推理、远程证明语义、缓解建议和策略约束下的拒答，并测提示诱导失败能否跨助手迁移。作者把助手看成随机策略。
已经到底了