跳到正文
10月13日 · 周二

全部论文

找到 1569篇
筛选4

攻击类型

越狱259提示注入235投毒与后门147模型篡改36提取与窃取72检测规避64拒绝服务9恶意使用26

攻击技术

梯度与表征优化63自动化搜索104多轮渐进30编码与混淆62角色扮演与说服28对话结构操控13推理链操控15跨模态载荷57侧信道3针对防御44潜伏触发61诱导选用11

模型自身风险

欺骗与谋划66奖励作弊68失准与价值偏离58Agent 危险操作86危险能力30拒答失当76幻觉与编造38偏见与歧视22

防御类型

模型加固146推理时干预49检测与过滤87指令与数据隔离58权限与审批69监控与审计66水印与溯源20

影响

有害内容322越权操作221数据与隐私泄露124输出被操纵280可用性与可靠性90监督失效120滥用能力提升19

系统形态

模型与 API897LLM 应用148AI Agent672coding agent140science agent32web agent34网页与电脑操作19多智能体83具身与机器人47

攻击者权限

黑盒150灰盒14白盒61无盒（离线迁移）7

攻击面/入口

用户输入397网页与界面66文档与消息72工具返回111工具与技能描述64代码仓库与依赖29检索语料14记忆写入43Agent 间消息28图像与音视频121训练数据72权重与梯度76分发渠道65推理服务与硬件20

层

提示层257模型层432应用层616训练与数据层242基础设施层22

系统组件

MCP 与技能82记忆81RAG11护栏与评审136监控器91推理链76权限与沙箱91微调与开源权重68视觉131音频35视频13图像生成47嵌入4多模态214
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 201篇还没打标签，不在筛选结果里。
系统形态：模型与 API系统形态：AI Agent系统形态：web agent系统形态：具身与机器人清除全部

另有201篇论文还没打上分类标签，暂不在筛选结果里。

  1. 攻击arXiv 2610.13928

    AI 模型可被证明地隐藏任意能力

    提出数字锁编译，把可执行网络加密进宿主权重以隐藏任意能力

    arXiv
    2610.13928
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Gemma 3 270M
    摘要作者用数字锁隐藏可执行能力，并称化学与奇偶任务上的引出未恢复该能力。

    作者构造一类把可执行网络加密进权重的后门，用来讨论白盒引出审计在供应链攻击下的界限。。

    深度解读完整解读
  2. 其他arXiv 2610.13912

    RSI-Anything：用世界模型解锁递归自我改进

    提出 RSI-Anything，用世界模型选择候选并保留策略更新

    arXiv
    2610.13912
    发表
    层
    应用层
    场景
    coding agent、网页与电脑操作
    被测模型
    ReasonFlux-Coder-7B、4B policy、W1
    摘要RSI-Anything 以预测、反馈与保留检查把世界模型接入递归自改进，并在多个领域报告增益。

    RSI-Anything 是一个跨领域框架：用世界模型预测决定哪些候选去拿外部反馈，再用反馈决定策略、工作流或预测器是否更新，并用检查决定哪一对被保留。要处理的困难是交互预算有限，以及策略一变，预测器面对的候选分布也会变。作者认为只改进其中一侧，不保证组装后的系统更好。

    深度解读完整解读
  6. 评测与基准arXiv 2610.13710

    OpenSocialJax：在开放式环境动态的序贯社会困境中评测社会适应

    用 OpenSocialJax 评测多智能体在隐藏规则社会困境中的适应

    arXiv
    2610.13710
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    GPT-6-Luna、GPT-6-Sol、Claude Opus 5.5 等8个
    摘要作者报告规则发现常提高回报，但公共品清洁会集中，共享资源最终被耗尽。

    OpenSocialJax 评测 LLM 能否在序贯社会困境中同时适应不熟悉的环境机制和其他智能体。

    深度解读完整解读
  8. 其他arXiv 2610.13491

    EviRepair：面向可靠漏洞修复的证据驱动智能体

    提出证据驱动多智能体框架 EviRepair，用于仓库级漏洞修复

    arXiv
    2610.13491
    发表
    层
    应用层
    场景
    coding agent、多智能体
    被测模型
    DeepSeek-V4.1-Flash、GLM-5.2、Qwen3.8-27B
    摘要EviRepair 用审查后的漏洞模型做仓库级修复。

    EviRepair 是面向稀疏漏洞报告的仓库级自动漏洞修复框架，用审查后的漏洞模型把诊断和补丁合成隔开。

    深度解读完整解读
  9. 其他arXiv 2610.13479

    本地智能体 AI 框架为安全保证生成边缘案例场景

    提出本地双模型闭环，生成自主系统安全保障的边缘场景

    arXiv
    2610.13479
    发表
    层
    应用层
    场景
    LLM 应用、具身与机器人
    被测模型
    PPO
    摘要本地闭环生成 JSON 边缘场景。

    作者搭建了一个可在笔记本上运行的本地智能体闭环，用来为自主系统的安全论证生成边缘场景，而不是发布一个新的公开测试集。

    深度解读完整解读
  13. 防御arXiv 2610.13333

    LETHE：通过价值多样性坍缩防御未授权的图像到视频生成

    提出 LETHE，扰动参考图以阻止未授权图生视频

    arXiv
    2610.13333
    发表
    层
    提示层
    场景
    模型与 API
    被测模型
    Wan2.1-I2V-14B、CogVideoX-5B-I2V、LightX2V 等6个
    摘要LETHE 压低参考 value 多样性并吸引注意力，使受保护图难以被忠实动画化。

    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。

    深度解读完整解读
  15. 其他arXiv 2610.13205

    重新思考 on-policy 蒸馏中相对策略差异的迁移

    提出 A2-OPD，用相对策略差做 on-policy 蒸馏

    arXiv
    2610.13205
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    Qwen3-8B、Qwen3-4B、Qwen3-1.7B 等6个
    摘要A2-OPD 把相对策略差当作可迁移奖励。

    A2-OPD 把一份代理策略相对另一份代理参考的 log 概率差，当作可加到其他目标上的隐式奖励。常规 OPD 是两边参考重合、转移强度相等时的特例。

    深度解读完整解读
  17. 可解释性arXiv 2610.13078

    注意力看见，MLP 拒绝：追踪 LLM 中从注意力到 MLP 的安全路径

    追踪注意力识别有害性到 MLP 拒绝写入的通路并提出 Sentinel

    arXiv
    2610.13078
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Llama-3.1-8B-Instruct、Qwen2.5-7B-Instruct、Qwen3-8B-Instruct 等18个
    摘要注意力更新更易读出有害性，MLP 更新写入拒绝，Sentinel 用两路信号路由提醒。

    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。

    深度解读完整解读
  18. 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
  19. 可解释性arXiv 2610.12989

    GPT-2-Small、Gemma-2-2B 与 Llama-3.1-8B 具有可解释的叙事机制

    用 NVC 定位并消融语言模型的叙事相关组件

    arXiv
    2610.12989
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    GPT-2-Small-124M、Gemma-2-2B、Llama-3.1-8B
    摘要三个模型里与叙事性相关的神经元和 SAE 特征，消融后会改变部分叙事相关行为。

    作者把叙事学的三维定义接上机制干预，检查预训练语言模型里与叙事性相关的组件是否参与预测、生成和下游任务。

    深度解读完整解读
加载更多