跳到正文
10月13日 · 周二

全部论文

找到 1010篇
筛选4

攻击类型

越狱218提示注入49投毒与后门63模型篡改36提取与窃取65检测规避53拒绝服务4恶意使用18

攻击技术

梯度与表征优化49自动化搜索55多轮渐进23编码与混淆47角色扮演与说服25对话结构操控11推理链操控10跨模态载荷45侧信道3针对防御24潜伏触发24

模型自身风险

欺骗与谋划44奖励作弊44失准与价值偏离47Agent 危险操作11危险能力14拒答失当67幻觉与编造28偏见与歧视22

防御类型

模型加固122推理时干预41检测与过滤51指令与数据隔离17权限与审批13监控与审计29水印与溯源16

影响

有害内容296越权操作28数据与隐私泄露73输出被操纵206可用性与可靠性38监督失效76滥用能力提升6

系统形态

模型与 API883LLM 应用143AI Agent663coding agent140science agent32web agent34网页与电脑操作19多智能体82具身与机器人47

攻击者权限

黑盒129灰盒12白盒55无盒（离线迁移）5

攻击面/入口

用户输入301网页与界面10文档与消息16工具返回12工具与技能描述5代码仓库与依赖3检索语料6记忆写入7Agent 间消息25图像与音视频103训练数据66权重与梯度67分发渠道18推理服务与硬件19

层

提示层242模型层403应用层132训练与数据层213基础设施层20

系统组件

MCP 与技能6记忆14护栏与评审94监控器39推理链61权限与沙箱16微调与开源权重61视觉106音频32视频11图像生成47嵌入4多模态185
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 227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：science agent系统形态：网页与电脑操作系统形态：多智能体清除全部

另有227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
  4. 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
  6. 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
  7. 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
  9. 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
  10. 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
  11. 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
  14. 风险行为arXiv 2610.12822

    奖励作弊作为多智能体编码系统中的可传播策略

    展示奖励黑客可在多智能体编码系统中经代码、记忆和计划传播

    arXiv
    2610.12822
    发表
    层
    应用层
    场景
    多智能体、coding agent
    被测模型
    Qwen2.5-Coder-14B、Gemma-3-12B、Qwen2.5-Coder-7B 等16个
    摘要作者称奖励黑客可跨模型传播并影响路由与聚合，审查能降低交付。

    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。

    深度解读完整解读
  15. 评测与基准arXiv 2610.12758

    DistressBench：评估大语言模型的多维度危机支持

    提出 DistressBench，评测模型在危机对话中的多维支持

    arXiv
    2610.12758
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Muse Spark 1.2、Muse Spark 1.3、Muse Glimmer 30B 等20个
    摘要模型更会克制而较少行动。

    DistressBench 用临床人员撰写并修订的 SSH 对话，按加权原子标准评通用聊天模型送达了多少必要照护，而不是评它是否拒绝。用户向聊天模型披露自杀或自伤时，作者认为期望行为是识别、校准共情、降缓并转介人工帮助。拒绝式评测测不到认出危机之后仍不行动。

    深度解读完整解读
  16. 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
  17. 防御arXiv 2610.12602

    语言模型中的自我保存

    提出 Task Bank 自回放，缓解持续指令微调的留出遗忘

    arXiv
    2610.12602
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    Qwen3-0.6B、Qwen3-1.7B、Qwen3-4B 等4个
    摘要作者称自回放可在清单外减遗忘，4B 上新任务信息有助于选目标，小模型则无。

    作者研究语言模型学习新任务时，如何用自身知识做更广的自我保持：给定清单不完整，遗忘又会超出清单，模型能否生成回放并帮忙选择目标。

    深度解读完整解读
  18. 分析与理论arXiv 2610.12436

    研究提出 AI Agent 种群生态理论：协作带来起飞临界规模

    为失配智能体种群建立生态模型，说明协作产生起飞临界规模

    arXiv
    2610.12436
    发表
    层
    应用层
    场景
    多智能体
    摘要作者称协作把起飞从个体能力阈值改成种群阈值，故小种群评估不够。

    作者用生态学的强 Allee 效应，讨论失配智能体种群会不会在个体能力不变时起飞。。

    深度解读完整解读
  19. 可解释性arXiv 2610.12410

    论文提出对齐泛化预测任务，用激活表征预测微调价值观的跨情境影响

    比较价值表征对单价值微调后对齐泛化的预测力

    arXiv
    2610.12410
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Olmo-3-7B、Olmo-3-32B、Qwen-3-8B-Base 等4个
    摘要激活表征可在训练前预测跨价值泛化，并关联多价值目标的鲁棒性。

    作者把“单价值微调会如何改变未训练价值上的依从”定义成可在训练前预测的任务，并用价值表征来做这件事。

    深度解读完整解读
  20. 分析与理论arXiv 2610.12409

    研究者对 HELM Safety 与 HarmBench 做心理测量学审查，质疑其分数能否代表单一属性

    审计 HarmBench 分数能否代表单一 harmful refusal 属性

    arXiv
    2610.12409
    发表
    层
    模型层
    场景
    模型与 API
    摘要作者称 HarmBench 不对应单一 harmful refusal，比较模型时应把行为分开。

    这是对 HELM Safety 中 HarmBench 的构念效度审计，检查 harmful refusal 能否作为单一属性来读分数。。

    深度解读完整解读
加载更多