追踪注意力识别有害性到 MLP 拒绝写入的通路并提出 Sentinel
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。
用依据置换与隐层追踪审计法律思维链是否真正依赖所引法条
本研究针对法律领域大语言模型思维链推理中引用法律依据的因果真实性展开实证审计。
用因果激活修补定位模型服从提示注入的决策层
这篇工作用逐层激活修补定位提示注入合规发生在网络何处，并把该位置用于检测验证。。
比较用于审计提示注入与隐瞒的 token 位置选择信号
分析量化、剪枝与 KV 缓存压缩对推理模型越狱鲁棒性的影响
作者分析量化、剪枝和 KV 缓存压缩如何同时改变 LRM 的显存、推理和越狱脆弱性。。
检验权重谱度量能否代理成员推断泄漏
作者在 MLP 上检查 WeightWatcher 谱统计是否与 online LiRA 同向，以便不看数据、不训练 shadow 模型就做模型级成员风险筛查。放出前的审计要知道训练成员会不会被认出来。LiRA 依赖大量 shadow 模型，候选一多就难以逐个跑。
在写入点定位拒答方向，经刚性旋转跨架构迁移并门控放大
作者研究拒答表示是否随架构改变，结论是表示共享、读取位置随架构变。
用配对归因图解释越狱如何改写模型内部计算
分析越狱下注意力头分化，解释未被消除的稳健有害特征
这篇工作在越狱已经绕过拒绝之后，检查注意力头是否出现功能分化，并把留下的内部激活用于免训练检测。
提出 LOCA，沿 SAE 方向迭代激活补丁解释单次越狱成功
LOCA 用尽量少的、可解释的中间表示变化，解释单次越狱为何能绕过拒答。
分析续写触发越狱的注意力头机制并提出 HCS
作者用注意力头机制分析 continuation-triggered jailbreak：同一有害指令下，把 continuation 后缀从指令后面挪到提示词边界外，模型更容易顺着后缀继续生成。