跳到正文
10月13日 · 周二

全部论文

找到 6篇
筛选4

模型自身风险

欺骗与谋划12奖励作弊13失准与价值偏离4Agent 危险操作24危险能力9拒答失当2幻觉与编造4

系统形态

模型与 API99AI Agent31coding agent5science agent3网页与电脑操作1多智能体10具身与机器人3

层

应用层4
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 215篇还没打标签，不在筛选结果里。
模型自身风险：失准与价值偏离模型自身风险：拒答失当系统形态：coding agent系统形态：网页与电脑操作清除全部

另有215篇论文还没打上分类标签，暂不在筛选结果里。

  1. 风险行为arXiv 2609.35291

    窄域多模态微调可诱发涌现性失配，覆盖 15 个视觉语言模型

    证明无显式危害的图文窄微调可诱发跨任务涌现未对齐

    arXiv
    2609.35291
    发表
    层
    模型层
    场景
    网页与电脑操作
    被测模型
    GPT-4o、GPT-4.1、Gemini 2.5 等15个
    摘要证实窄多模态微调可引发全面的多渠道未对齐行为转变，揭示了后训练阶段对齐被隐蔽重塑的安全隐患。

    论文系统探究了视觉-语言模型中由窄任务微调诱发的跨模态涌现未对齐（Emergent Misalignment, EM）现象。

    深度解读完整解读
  2. 评测与基准arXiv 2609.32616

    Cave-Bench：虚假指控下 LLM 智能体最高 60.06% 的运行会破坏正确工作

    提出 CAVE-BENCH，评测智能体在虚假指责下破坏已完成的正确工作

    arXiv
    2609.32616
    发表
    层
    应用层
    场景
    coding agent
    被测模型
    Claude-Sonnet-5、Claude-Opus-5、GPT-5.6-Sol 等14个

    摘要论文提出了评估智能体在虚假指责下破坏已有正确成果的 CAVE-BENCH，发现强模型易推翻已知证据，提出了门控缓解方案。

    深度解读完整解读
  4. 可解释性arXiv 2606.05396

    研究用消融移除代码 LLM 拒答方向，分离拒答与生成能力

    用 abliteration 消融代码 LLM 拒答方向，分离拒答与漏洞注入能力

    arXiv
    2606.05396
    发表
    层
    模型层
    场景
    coding agent
    被测模型
    Qwen2.5-Coder-Instruct 3B、Qwen2.5-Coder-Instruct 7B、Qwen2.5-Coder-Instruct 14B
    摘要拒答可用低秩编辑去掉，CWE-89 注入是否成功仍由模型规模决定。

    这项初步可行性研究用 abliteration 把代码 LLM 的拒答和 CWE 注入能力拆开：意愿可以被低秩编辑解锁，注入是否成功仍看参数规模。

    深度解读完整解读
  6. 评测与基准arXiv 2605.19722

    研究用 30 项漏洞分析任务评测自主安全智能体的安全对齐效果

    评测自主安全智能体在授权漏洞分析中的对齐拒答效应

    arXiv
    2605.19722
    发表
    层
    应用层
    场景
    coding agent
    被测模型
    Gemma 4 31B official instruction-tuned model、TrevorJS Gemma 4 31B uncensored GGUF、Gemma 4 26B A4B official instruction-tuned model 等8个
    摘要轨迹级评测把拒答、接地、工具接口分开。

    这项工作把安全对齐效应测成自主安全智能体的轨迹属性，而不是单轮拒答率。

    深度解读完整解读
已经到底了