追踪注意力识别有害性到 MLP 拒绝写入的通路并提出 Sentinel
作者把对齐模型的越狱和过度拒绝，改写成残差流上从识别到写入的通路问题，并据此做解码前的条件提醒。
提出 Constitutional adapters，蒸馏宪法行为以缓解越狱与失准
摘要差分宪法适配器在长上下文和多轮上更稳，并可按 α 换取遵从。
提出 Safety Operator，用谱优化调节安全指令表达强度
提出 RLCDAlignBench，零样本检测多种对齐失败
RLCDAlignBench 测量用强化学习做校准决策的 Jev，能否当作对齐失败的零样本检测器。
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。。
提出 TIER 基准，按威胁隐晦度评测有害提示下的安全行为
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 Safin-1，以可路由 Safety State 在冻结主干上实现内在安全
提出 aiXamine 黑盒基准，统一评测 LLM 安全、稳健与隐私权衡
aiXamine 是一套黑盒评测协议，用来在同一条件下比较 LLM 的 safety、security 与 privacy，而不是再产出一个能力分。
提出 WIFA 意图组监督微调，缓解包装式越狱与过度拒答
WIFA 是一种自动意图组数据构造，用来让安全微调拒绝有害意图而不是拒绝表面包装。WIFA-Boost 与 A-GCRT 在同一数据层上选取不同的安全–过拒工作点。
分析越狱下注意力头分化，解释未被消除的稳健有害特征
这篇工作在越狱已经绕过拒绝之后，检查注意力头是否出现功能分化，并把留下的内部激活用于免训练检测。
提出 CompositeHarm，比较句法操纵与语义危害的跨语言迁移
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
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。