构建 TriggerBench 并训练 ThinkingGuard，检测图文隐式风险
这篇工作研究多模态隐式风险检测：图文各自良性，风险只在关键元素与触发元素交互时出现。
提出 Tracekit，审计编码 Agent 的意图、推理与动作并检测账本篡改
Tracekit 是无第三方依赖的编码智能体审计层：把人类请求、模型自述和已执行动作并排写入可外部锚定的哈希链，执行前用正则门，事后用规则和独立模型互查。
系统梳理智能体执行链路中的越狱攻击与防御并比较推理时防御
Mia 等人把越狱安全从单轮回复扩展到智能体的规划、记忆、工具和智能体间通信，并问既有结论在更强原生对齐下是否还成立。
提出 SPARED，用对抗编辑数据训练基于推理的 AI 生成图像检测器
SPARED 是一套用于可解释 AI 生成图像检测的攻防强化学习流程，报告模型是 Qwen3.5-9B 上的第三轮防御器。
利用加密思维块的跨模型重放，诱导弱模型逐字转写专有推理链
摘要论文揭示了客户端加密思维块跨模型互换漏洞，提出了低成本提取方法并给出防御方案。
提出针对 Agent 护栏的推理扩展拒绝服务攻击
提出 JailAgent，不改用户提示，经推理劫持与记忆投毒操纵 Agent 动作
JailAgent 是不修改用户原始提示词的 LLM 智能体红队框架。
提出 VROP，把有害意图拆成良性视觉 gadget 越狱视觉语言模型
VROP是 black-box 多模态越狱框架：不在输入中放显式恶意触发，而把有害目标拆成语义正交的良性视觉 gadget，再用控制流提示词把合成留到后期推理。
提出推理时防御 SafeThink，监视思维链并在低于阈值时注入转向前缀
提出视觉推理序列攻击 VRSA，以图像序列越狱多模态大模型
提出 ARE 框架与图像文本攻击，评测多模态网页 Agent 的对抗鲁棒性
摘要系统评估多模态网页智能体的脆弱性，指出推理时计算组件被攻破会加剧系统风险。