跳到正文
10月12日 · 周一

全部论文

找到 8篇
筛选3

攻击类型

越狱8提示注入5投毒与后门4

攻击技术

梯度与表征优化0多轮渐进4编码与混淆8角色扮演与说服4跨模态载荷3

影响

有害内容8

系统形态

模型与 API8

攻击面/入口

用户输入8

层

提示层8
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 254篇还没打标签，不在筛选结果里。
攻击类型：越狱攻击技术：梯度与表征优化攻击技术：编码与混淆清除全部

另有254篇论文还没打上分类标签，暂不在筛选结果里。

  1. 评测与基准arXiv 2610.11766

    研究提出意图恢复率作为 LLM 安全评测的补充指标

    提出 IRIS，用意图恢复率区分遮蔽越狱下无害输出的原因

    arXiv
    2610.11766
    发表
    层
    提示层
    场景
    模型与 API
    被测模型
    GPT-4o、Claude Sonnet 4.5、Claude Opus 4.5 等6个
    摘要无害输出的证据权重取决于任务是否被恢复。

    IRIS 把意图恢复当作中间信号，用来解释意图遮蔽提示下为何没有出现有害协助。

    深度解读完整解读
  2. 评测与基准arXiv 2610.09033

    研究发布 ASRD 数据集，评测五款开源模型在非规范输入下的安全表现

    arXiv
    2610.09033
    发表
    层
    提示层
    场景
    模型与 API
    被测模型
    Gemma 2 9B、Gemma 3 4B、Llama 3.1 8B 等6个
    摘要五模型、七族表面形式的四态评测里，低有害遵从不等于读懂后的安全处理。

    ASRD 用四态标签检查五个开源模型如何处理非规范表面上的有害请求。

    深度解读完整解读
  3. 评测与基准arXiv 2609.07216

    DIVA：利用视觉锚点对视频生成模型实施多模态越狱

    提出 DIVA，将有害意图拆成视觉锚点与运动文本以越狱视频生成模型

    arXiv
    2609.07216
    发表
    层
    提示层
    场景
    模型与 API
    攻击者
    黑盒
    被测模型
    Wan、CogVideoX、LTX-Video 等9个
    摘要DIVA 用视觉锚点抑制语义漂移做视频越狱，并给出多条件安全基准 TI2VSafetyBench。

    DIVA 是针对带参考图的视频生成模型的免训练 black-box 越狱：用一致性机制本身堵住语义漂移这条安全逃逸路径。。

    深度解读完整解读
  5. 评测与基准arXiv 2606.06037

    SpeechJBB：语码转换语音下大型音频语言模型的越狱基准

    提出 SpeechJBB，评测语码转换语音下音频语言模型的越狱稳健性

    arXiv
    2606.06037
    发表
    层
    提示层
    场景
    模型与 API
    被测模型
    Qwen2.5-Omni-7B、Qwen3-Omni-30B-A3B-Instruct、Voxtral-Small-24B 等9个
    摘要SpeechJBB 用五语语码转换语音和伪词探针评测九个 LALM，作者将越狱归为对齐失败而非听不懂。

    SpeechJBB 用合成语音测量 LALM 在五语、语码转换和局部伪词混淆下的安全对齐，并另设口语理解对照。

    深度解读完整解读
  7. 评测与基准arXiv 2601.00588

    CSSBench：评估轻量级 LLM 面对中文特有对抗模式的安全性

    提出 CSSBench 评测轻量模型对中文表面对抗改写的失守与过度拒绝

    arXiv
    2601.00588
    发表
    层
    提示层
    场景
    模型与 API
    被测模型
    Qwen3-0.6B、Qwen3-1.7B、Qwen3-8B 等10个
    摘要CSSBench 用表面扰动和边界查询评轻量模型。

    CSSBench 评测轻量 LLM 在中文特有表面改写下的安全，并同时测量过度拒绝。要处理的缺口是：英文向护栏和只测干净查询的中文基准，看不清同音、拼音、符号混写、零宽字符这些写法下的失守，也分不清较低风险来自细粒度判断还是粗粒度拒答。作者称轻量模型更需要这种评测。

    深度解读完整解读
已经到底了