提出 PEV 攻击，在输入嵌入上加高斯噪声越狱开源模型
PEV 是对 open-weight LLM 的 embedding 噪声越狱。
提出 ReSA，从对齐模型行为恢复安全奖励并在解码时反转
ReSA 是一种对抗攻击：从对齐模型的可观察行为恢复代理安全奖励，再在解码时把该奖励反过来用。。
提出 CodeSpear 越狱，借语法约束解码生成恶意代码，并给出 CodeShield 防御
摘要论文发现语法约束解码会破坏自然语言安全对齐，提出 CodeSpear 越狱攻击与基于蜜罐代码对齐的 CodeShield 防御。
提出 HMNS，通过注意力头掩码与零空间注入实现机制级越狱
提出 ShallowJail，在推理时用转向向量改写隐藏状态实现越狱
提出 Gradient Shift 推理时聚合，把对齐模型拉回被抑制行为
把推理时越狱写成三个预测的聚合：对齐对下一 token 的影响被当作预对齐分布上的误校准，Gradient Shift 用弱模型对的梯度差把强对齐目标拉回去。
提出激活转向越狱，用随机向量在推理时绕过安全拒答
摘要作者称激活转向会系统性破坏 LLM 对齐，良性特征与随机向量均能诱发有害合规，聚合随机向量可构建通用攻击。
提出 Latent Fusion Jailbreak，插值有害与无害隐藏状态实施白盒越狱