跳到正文
10月12日 · 周一

全部论文

找到 679篇
筛选2

攻击类型

越狱195提示注入17投毒与后门11模型篡改19提取与窃取36检测规避47拒绝服务3恶意使用11

攻击技术

梯度与表征优化46自动化搜索52多轮渐进22编码与混淆42角色扮演与说服24对话结构操控10推理链操控10跨模态载荷45针对防御15潜伏触发4

模型自身风险

欺骗与谋划27奖励作弊10失准与价值偏离21Agent 危险操作7危险能力4拒答失当50幻觉与编造25偏见与歧视18

防御类型

模型加固17推理时干预44检测与过滤31指令与数据隔离7监控与审计19水印与溯源14

影响

有害内容232越权操作6数据与隐私泄露39输出被操纵142可用性与可靠性25监督失效40

系统形态

模型与 API634LLM 应用11AI Agent35coding agent11具身与机器人16

攻击者权限

黑盒116灰盒11白盒36无盒（离线迁移）5

攻击面/入口

用户输入251文档与消息8工具返回3检索语料3图像与音视频92训练数据13权重与梯度31分发渠道5推理服务与硬件5

层

提示层253模型层426应用层710训练与数据层233基础设施层23

系统组件

RAG4护栏与评审74监控器25推理链45微调与开源权重13视觉90音频26视频11图像生成38嵌入5多模态155
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 261篇还没打标签，不在筛选结果里。
层：提示层层：模型层清除全部

另有261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
  4. 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
  5. 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
  6. 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
  8. 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
  9. 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
  10. 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
  11. 可解释性arXiv 2610.12361

    研究：法律推理模型引用法条不等于依据法条

    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

    arXiv
    2610.12361
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Qwen3-8B、Qwen3-14B、Llama-3.1-8B 等7个
    摘要作者通过依据置换反事实与内部承诺追踪发现法律 CoT 裁决对依据依赖度有限，且易受提示注入操纵。

    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。

    深度解读完整解读
  12. 分析与理论arXiv 2610.12313

    研究测试五个大模型合规系统对监管规则扰动的敏感度

    诊断合规系统裁决是否随监管规则扰动而改变

    arXiv
    2610.12313
    发表
    层
    提示层
    场景
    模型与 API
    被测模型
    Llama-3.3-70B-Instruct、Llama-3.1-8B-Instruct、Qwen2.5-7B-Instruct 等5个
    摘要五模型上许多正确裁决对删换否定规则大体不变。

    用行为反事实和激活探针，审计合规裁决是否依赖所给规则。。作者要分开两种看起来一样的正确裁决：用了所给规则的，以及靠案例表面或训练模式得到的。

    深度解读完整解读
  13. 其他arXiv 2610.12235

    论文提出用语言模型充当 AI 研究世界模型，预测实验结果

    提出研究世界模型，用语言模型预测干预增益

    arXiv
    2610.12235
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Claude Opus 5、Grok-4.6、GPT-6 Astra 等13个
    摘要作者称实验记录可在环境内外复用，并改善固定预算下的实验选择。

    作者把语言模型用作研究世界模型，在执行前预测干预增益的中位数，用来在有限预算下比较候选实验。要处理的缺口是研究智能体提案快于执行。同一类改动在不同参考模型、配方和预算下效果可以不同，因此需要能离开原环境继续使用的实验知识。

    深度解读完整解读
  14. 分析与理论arXiv 2610.12083

    论文审计 LLM 裁判可靠性：重复一致不等于正确

    审计 LLM 裁判可靠性并定义可信判决率与准确率上界

    arXiv
    2610.12083
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    GPT-5.2、GPT-4o、Gemini-2.5-Pro 等6个
    摘要作者称比较裁判应看 T，而不是只看准确率。

    作者审计 LLM-as-a-Judge 在重复查询、交换候选顺序和更换提示格式时，判决是否还能当作可操作的真值。

    深度解读完整解读
  16. 防御arXiv 2610.11848

    SemField：免训练的语义水印

    提出语义水印 SemField，在释义与结构改动后仍识别生成文本归属

    arXiv
    2610.11848
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Llama-3.2-1B、Qwen3-1.7B、OPT-1.3B
    摘要训练无关的文档级语义水印。

    SemField 是提供方在生成时嵌入、事后用密钥检测的零比特语义水印，用来在释义和句子级结构改动后识别本方模型文本。

    深度解读完整解读
  18. 评测与基准arXiv 2610.11766

    研究提出意图恢复率作为 LLM 安全评测的补充指标

    提出 IRIS，用意图恢复率区分遮蔽越狱下无害输出的原因

    arXiv
    2610.11766
    发表
    层
    提示层
    场景
    模型与 API
    被测模型
    GPT-4o、Claude Sonnet 4.5、Claude Opus 4.5 等6个
    摘要无害输出的证据权重取决于任务是否被恢复。

    IRIS 把意图恢复当作中间信号，用来解释意图遮蔽提示下为何没有出现有害协助。

    深度解读完整解读
  19. 分析与理论arXiv 2610.11765

    研究提出三项指标衡量 LLM 不思考行为，发现被要求停止思考时仍持续显式推理

    度量关闭思考指令下终答前是否仍有可见显式推理

    arXiv
    2610.11765
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    Qwen3-4B、Qwen3-32B、Qwen3-235B-A22B 等6个
    摘要作者用三级指标测 no-thinking，并称模型有随答案空间加重的思考惯性。

    作者把 no-thinking 定义为可测量的回答行为，而不是从思考开关、特殊标记或输出长度推断。

    深度解读完整解读
  20. 评测与基准arXiv 2610.11599

    研究：大语言模型版本更替削弱 AI 辅助科研写作筛查

    测量 LLM 版本更替对科学摘要 AI 改写检测器的影响

    arXiv
    2610.11599
    发表
    层
    提示层
    场景
    模型与 API
    被测模型
    RoBERTa-base、Pangram
    摘要作者称检测器的基准准确率只是临时的，每次发布都要连同更早版本重验。

    作者量化的是：科学摘要的 AI 改写筛查，在 LLM 版本不断更换、而人类摘要误标必须少见时，会怎样变。问题来自期刊和会议已经按分数阈值筛查投稿，但基准多停在评估时可得的版本上。

    深度解读完整解读
加载更多