跳到正文
10月13日 · 周二

全部论文

找到 277篇
筛选5

攻击类型

越狱8提示注入48投毒与后门56检测规避35恶意使用3

攻击技术

梯度与表征优化29自动化搜索12编码与混淆4角色扮演与说服5跨模态载荷15针对防御14潜伏触发24诱导选用4

模型自身风险

欺骗与谋划11奖励作弊4失准与价值偏离18Agent 危险操作8拒答失当3幻觉与编造26偏见与歧视7

防御类型

模型加固25推理时干预11检测与过滤26指令与数据隔离6权限与审批5监控与审计6水印与溯源7

影响

有害内容318越权操作220数据与隐私泄露122输出被操纵277可用性与可靠性88监督失效120滥用能力提升19

系统形态

模型与 API173LLM 应用73AI Agent104coding agent14science agent6web agent5多智能体26具身与机器人6

攻击者权限

黑盒11灰盒3白盒7

攻击面/入口

用户输入48网页与界面10文档与消息12工具返回16工具与技能描述5代码仓库与依赖5检索语料7记忆写入7Agent 间消息10图像与音视频49训练数据31权重与梯度15分发渠道17推理服务与硬件6

层

提示层55模型层81应用层93训练与数据层44基础设施层4

系统组件

MCP 与技能5记忆21RAG6护栏与评审19监控器4推理链12权限与沙箱7微调与开源权重16视觉48音频9视频7图像生成9多模态68
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 218篇还没打标签，不在筛选结果里。
影响：输出被操纵系统形态：模型与 API系统形态：AI Agent系统形态：coding agent系统形态：具身与机器人清除全部

另有218篇论文还没打上分类标签，暂不在筛选结果里。

  2. 分析与理论arXiv 2610.13051

    空间胜过统计量，重训练胜过排序：审计仅标签后门下的训练标签

    审计仅标签后门的训练标签，比较空间与统计量并以重训评判

    arXiv
    2610.13051
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    ResNet-32
    摘要查标签要在未拟合这些标签的空间里做，并用重训模型而不是检测分数评判。

    作者问的是：手里没有可信数据的防御者，能否决定留下哪些训练标签，以及这会毁掉多少干净数据、最终模型准确率如何。

    深度解读完整解读
  3. 攻击arXiv 2610.12644

    癌变式后门攻击：借助不可见 token 与阶段控制器实现渐进激活

    提出 Cancerous 后门，用不可见阶段 token 分阶段腐蚀推理

    arXiv
    2610.12644
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    Llama-3.1-8B-Instruct、Qwen2.5-7B-Instruct、Mistral-7B-Instruct-v0.3
    摘要隐藏 token 加阶段控制器使后门随触发累积腐蚀推理，作者认为只看答案会漏掉它。

    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。

    深度解读完整解读
  4. 评测与基准arXiv 2610.12360

    论文提出 ISE 框架，评测 LLM Agent 在知识冲突下的认知谦逊

    提出 ISE 框架，评测 LLM Agent 在知识冲突下的认知谦逊

    arXiv
    2610.12360
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    Nemotron-Orchestrator-8B、Claude Sonnet 4.6、GPT-5 等5个
    摘要ISE 轨迹评测显示，四个智能体的高任务准确率并不对应更高的认知谦逊。

    作者要测的不是智能体最终答得对不对，而是知识冲突出现时，它有没有在轨迹里认出缺口、做有界的工具跟进，并把没解决的不确定性写给用户。

    深度解读完整解读
  5. 分析与理论arXiv 2610.12313

    研究测试五个大模型合规系统对监管规则扰动的敏感度

    诊断合规系统裁决是否随监管规则扰动而改变

    arXiv
    2610.12313
    发表
    层
    提示层
    场景
    模型与 API
    被测模型
    Llama-3.3-70B-Instruct、Llama-3.1-8B-Instruct、Qwen2.5-7B-Instruct 等5个
    摘要五模型上许多正确裁决对删换否定规则大体不变。

    用行为反事实和激活探针，审计合规裁决是否依赖所给规则。。作者要分开两种看起来一样的正确裁决：用了所给规则的，以及靠案例表面或训练模式得到的。

    深度解读完整解读
  6. 分析与理论arXiv 2610.12125

    研究者发现优化教学适配度指标会让 LLM 导师重复同一选项，专家评分从 4.46 降到 3.03

    分析优化教学适配指标为何使辅导选择塌缩并偏离专家判断

    arXiv
    2610.12125
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    Gemini 3.1 Pro Preview、Qwen3-32B
    摘要指标上升而专家评分下降：可分平均的最优是重复，校正主要改写了输出投影。

    把教学适配指标做成微调目标后，指标上升，受过训练的教育者给出的评分下降。。

    深度解读完整解读
  8. 评测与基准arXiv 2610.11514

    SSCBench：评估工具调用 LLM Agent 故障注入测试证据有效性的测量协议与基准

    提出 SSCBench，评测工具调用 Agent 故障注入测试的证据有效性

    arXiv
    2610.11514
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    deepseek-flash、deepseek-v4-pro、gpt-5.6-luna 等5个
    摘要解释采纳前应报告该次执行的证据条件，以及支撑该主张的观察总体。

    SSCBench 研究工具使用智能体的故障注入结果，在什么证据条件下可以被解释。

    深度解读完整解读
  9. 防御arXiv 2610.11352

    RL-ARC：用推理引导的不确定性校准大型推理模型

    提出 RL-ARC，用推理置信度在强化学习中校准推理模型

    arXiv
    2610.11352
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    Qwen2.5-7B、Qwen3-8B、Llama-8B distilled from DeepSeek-R1
    摘要RL-ARC 用推理置信度调节答案置信度，作者称可少牺牲精度并改善 ID 与 OOD 校准。

    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。

    深度解读完整解读
  10. 评测与基准arXiv 2610.11305

    BeliefScope：区分证据与用户压力对模型信念影响的受控框架

    用 BeliefScope 分离固定命题上证据与压力对模型信念的影响

    arXiv
    2610.11305
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Qwen3-8B、Llama3.1-8B、Gemma3-12B 等4个
    摘要BeliefScope 把证据修正与压力偏移拆成绑定评测条件的行为画像。

    BeliefScope 是一个黑盒行为诊断框架，用来把固定命题上的回答变化拆成证据驱动的修正，和不加新事实的方向性压力。信念修正评测能看到信息基础变化后的更新，谄媚评测能看到用户影响下的顺从或漂移。作者认为，当两种输入都偏向同一结论时，表面偏移本身不能区分来源。

    深度解读完整解读
  11. 评测与基准arXiv 2610.11112

    EpiReal-Bench：商用图像生成模型虚假声明红队基准

    构建 EpiReal-Bench，评测图像生成器将虚假主张渲染为可信证据

    arXiv
    2610.11112
    发表
    层
    提示层
    场景
    模型与 API
    攻击者
    黑盒
    被测模型
    GPT-Image-2、Nano Banana 2、Grok Imagen 2.0 等4个
    摘要四款商用图像模型能把假主张画成可信证据。

    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。

    深度解读完整解读
  12. 评测与基准arXiv 2610.09964

    研究比较连续训练阶段对大语言模型说服力的影响

    比较连续后训练阶段如何改变语言模型的说服力

    arXiv
    2610.09964
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated、GPT-4
    摘要作者称说服性 SFT 提高失调模型的态度变化，IPO 无额外收益，GPT-4 不异于中性文本。

    作者用同一人类协议，把 LLM 说服力拆成阴谋数据上的失调 SFT、说服数据上的 SFT，以及其后的 IPO。

    深度解读完整解读
  13. 防御arXiv 2610.09941

    OrthoPurify 用一步正交投影净化被后门污染的视觉语言模型

    提出 OrthoPurify，用正交投影清除视觉语言模型适配器中的劫持方向

    arXiv
    2610.09941
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    LLaVA-1.5-7B、Qwen3-VL-8B、LLaVA-1.5-13B 等5个
    摘要一次投影去掉劫持方向。

    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。

    深度解读完整解读
  15. 评测与基准arXiv 2610.09581

    研究审计 LLM 读取 Agent 日志的取证能力：答案正确但引用来源多为猜测

    评测 LLM 审计 Agent 日志时来源重建是否有证据支持

    arXiv
    2610.09581
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    gpt-5.6-luna、claude-sonnet-4-6、gpt-5.4-mini-2026-03-17 等5个
    摘要保存执行范围的标识绑定，才能把猜中的引用和证据支持的引用分开。

    包级审计检查保存的智能体动作里，哪些来源结论能被交给分析者的记录支持。

    深度解读完整解读
  20. 攻击arXiv 2610.09264

    研究者提出 PackHallu：经规则文件提示注入对编码 Agent 发起包幻觉攻击

    提出 PackHallu，经规则文件提示注入诱导编码 Agent 换用攻击者指定包

    arXiv
    2610.09264
    发表
    层
    应用层
    场景
    coding agent
    被测模型
    Qwen2.5-Coder-7B、Qwen3-Coder-30B、Devstral-Small-2-24B 等19个
    摘要PackHallu 诱导规则文件换包。

    PackHallu 研究一种针对编程智能体规则文件的提示注入：让智能体在本应使用合法依赖时，改导入攻击者指定并控制的包。

    深度解读完整解读
加载更多