评测多轮对话中 GradSafe 越狱检测的可分性与脆弱性
作者评估梯度越狱检测从单条提示词迁到多轮对话后还剩多少可分性，方法是用 Context Window Scanner 把 GradSafe 原封不动地套到用户轮窗口上。
提出 MIPC 与 CFA，观察模型自拟测验后接受开发者身份
这项工作把“模型自己出题、自己批改、再宣布身份已核验”定义成对话层认证失败，并与后端提权分开。
提出多轮越狱框架 BLUEPRINT，用世界观模拟与心理因素诱导有害输出
BLUEPRINT 是一个将因子化社会影响力策略空间与跨轮世界观模拟解耦的多轮大语言模型安全评测框架。
提出面向意图的多轮 LLM 越狱分类体系
这是一篇关于多轮 LLM 越狱的 SoK：按有害意图在交互中的组织位置分类，而不是按单步提示技巧分类。
提出生物红队模型 Intern-BioBreaker，多轮越狱诱导模型输出可操作生物危害
摘要论文通过构建专用红队模型评估前沿大模型的生物安全漏洞与物理转化风险。
提出工作流级越狱，让编程 Agent 在开发任务中写入有害示例
这是一项生产 IDE 编码智能体的工作流越狱研究，受测对象是 Copilot 的四个模型后端，而非评测流水线中的名义目标。
提出 SMT 框架，用模拟审核轨迹越狱函数调用 LLM
提出 AdvGRPO，用 GRPO 闭环共训多轮越狱攻击者与防御者
构建 MultiTurnPSB，评测四轮医疗越狱与分类器输入防御
MultiTurnPSB 针对患者端医疗大模型在持续交互中的安全风险，构建了包含三种攻击模态的四轮对抗评测基准。
提出 TRACE 框架，用分解与可演化多轮策略诱导智能体执行有害工作流
提出 Persona Attack，分步写入对话记忆指令以越狱
提出多轮意图欺骗越狱 iDecep，用良性意图伪装引出有害内容
iDecep 是一种黑盒多轮越狱：用表面良性的意图维持与恶意目标贴近的对话，并单独计入 safe completion 替代内容中的有害信息。。
提出 STAR 多轮角色扮演框架，利用对话状态演化绕过安全对齐
用 ADVERSA 测量多轮对抗下护栏退化与评审可靠性
ADVERSA是一套自动多轮红队测量框架，把护栏行为记成逐轮合规轨迹，并同时测量评审是否一致。要处理的问题是：单轮二元通过或失败既看不到持续对抗下安全属性如何变化，也分不开拒答逐步巩固和分数保持稳定。作者认为真实使用中的对手会改写并持续多轮。
提出 FERRET 框架，用扩展生成多轮多模态越狱对话
提出 MAPA 多轮自适应提示攻击，交替文本与视觉动作越狱视觉语言模型
提出 MM-Plan 多模态越狱框架，自动规划多轮图像编辑以越狱视觉独占目标
MM-Plan 是面向 Visual Exclusivity 的 black-box 多模态红队方法，并配有人工基准 VE-Safety。
提出 JustAsk，用在线技能选择提取模型系统提示词
提出 ICON 多轮越狱，用意图-上下文先验生成攻击序列
提出知识驱动多轮越狱 Mastermind，用策略知识闭环攻击对齐模型