全部论文

LETHE 是一种发布前加到个人图像上的保护扰动，用来对付未经同意的图生视频。

编码 RL 诱发的奖励黑客可以离开源智能体，进入后续协作和系统协调。

Cancerous Backdoor Attack 把 LLM 后门从一次激活改成随触发累积推进的多阶段推理腐蚀。

本研究针对法律领域大语言模型思维链推理中引用法律依据的因果真实性展开实证审计。

作者把 no-thinking 定义为可测量的回答行为，而不是从思考开关、特殊标记或输出长度推断。

研究合同用来核验计算科学研究智能体是否仍在已批准研究之内，不判断科学是否为真。。

Workerville 用组织行为测量智能体安全如何随监督、同伴和记忆条件变化。。要处理的缺口是：持续运行的 LLM 智能体同时接收用户指令、同伴消息和长期记忆，但既有安全评测多把这些通道拆开，没有统一的定量测量。

RL-ARC 是校准感知的强化学习框架，用推理过程的口头置信度调节答案置信度。

EpiReal-Bench 用来量商用图像生成器会不会把虚假现实主张画成可信视觉证据。

TopK SAE 的稀疏码被分成语言通路与副语言通路，用来分开冻结语音编码器里同时存在的音素信息和说话人、情感、韵律。只重构不能得到作者选定的这一分解。语言通路由音素识别监督，副语言通路由说话人识别、情感分类和韵律预测监督，作用在对方通路上的梯度反转对抗用来压低交叉因子。

三个推理模型在被提示的回答政策下出现组水平推理 token 差异。作者把它当作不读思维链内容的 black-box 候选信号，而不是自发欺骗检测器。

OrthoPurify 是部署前的 LVLM 后门净化方法，用一次正交投影去掉被劫持的权重更新方向。