可解释性arXiv 2609.24801
研究用 XAI 归因分析 Prompt Guard 2，同义词替换可翻转其提示注入判定
用词级归因指导同义词替换，翻转提示注入检测并验证越狱
- arXiv
- 2609.24801
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- Prompt Guard 2 (86M)、Llama 3.1 8B
摘要作者称检测靠分散的词法线索。
- 攻击arXiv 2609.02172
BOSS：以广度优先后缀搜索改进 GCG 越狱优化
提出广度优先后缀搜索 BOSS，改进 GCG 越狱优化
- arXiv
- 2609.02172
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 白盒
- 被测模型
- Llama-2-7B-Chat、Yi-1.5-9B-Chat、Qwen2-7B-Instruct 等8个
摘要BOSS 把 GCG 类优化从单条深搜索改为多条短轨迹加源侧诊断。
BOSS 是插在 GCG 类离散 suffix 优化上的搜索框架：局部梯度更新不变，变的是固定预算花在深度还是广度。
- 攻击arXiv 2609.05525
DIVA：针对离散扩散视觉语言模型的跨步条件传播视觉越狱
提出 DIVA，利用跨步条件传播对离散扩散视觉语言模型实施视觉越狱
- arXiv
- 2609.05525
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 白盒
- 被测模型
- LLaDA-V、MMaDA、LLaDA2.0-Uni
- 攻击arXiv 2608.07430
研究者提出 SN-Guided Diffusion，利用扩散大模型安全神经元实现离线越狱
提出 SN-Guided Diffusion，利用安全神经元实现离线越狱
- arXiv
- 2608.07430
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- Qwen2.5-7B-Instruct、LLaDA-8B-Instruct、Dream-Instruct-7B 等15个
摘要论文揭示了扩散语言模型对自回归安全神经元的继承性，并提出纯离线黑盒越狱框架 SN-Guided Diffusion。
论文系统评估了扩散大语言模型（DLLM）在安全对齐中的双重角色——既作为白盒攻击目标，又作为黑盒越狱生成的对抗工具。
- 攻击arXiv 2607.23496
Concept2Scenario：用 SAE 概念归因发现可迁移的越狱场景
提出 Concept2Scenario，借助内部概念归因发现可迁移的越狱场景
- arXiv
- 2607.23496
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- Qwen3.5-9B、Llama-3.1-8B、Ministral-3-8B 等6个
摘要该研究从表征空间因果归因揭示场景削弱拒绝的机制，发现可复用脆弱场景先验，提升多模型黑盒越狱效能与探索速度。
- 攻击arXiv 2606.05609
SlotGCG 利用提示词位置漏洞提升 LLM 越狱攻击成功率
提出 SlotGCG，按注意力选槽插入对抗 token 以越狱指令模型
- arXiv
- 2606.05609
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 白盒
- 被测模型
- LLAMA2-7B-CHAT、LLAMA2-13B-CHAT、LLAMA-3.1-8B-INSTRUCT 等10个
- 攻击arXiv 2605.04446
Misrouter：利用 MoE 路由机制对混合专家大模型发起仅输入攻击
提出 Misrouter，借 MoE 路由优化仅输入前缀并迁移攻击
- arXiv
- 2605.04446
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- GPT-4o mini、Qwen-Plus、Phi-4 等18个
- 攻击arXiv 2604.24983
PEO：直接优化原始提示词嵌入的 LLM 白盒越狱方法
提出 PEO，直接优化原提示词嵌入实现白盒越狱
- arXiv
- 2604.24983
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 白盒
- 被测模型
- Vicuna-7B-v1.3、Llama-2-7B-Chat、Qwen3-4B-Instruct 等4个
摘要PEO 原位优化提示词嵌入、多轮只重攻失败样本。
PEO是一种不追加对抗 token 的 white-box 越狱：直接改已有提示词嵌入，并只对未成功样本更换续写目标再优化。
- 攻击arXiv 2603.23269
并非所有 token 都同等重要：面向 LLM 的查询高效越狱模糊测试
提出 TriageFuzz，用替代模型定位敏感片段做查询高效越狱
- arXiv
- 2603.23269
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- Gemma-7B-Instruct、Gemma2-9B-Instruct、LLaMA3-8B-Instruct 等9个
- 攻击arXiv 2603.03081
TAO-Attack：面向大语言模型的进阶优化式越狱攻击
提出 TAO-Attack，用两阶段损失与 DPTO 优化越狱后缀
- arXiv
- 2603.03081
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 白盒
- 被测模型
- Llama-2-7B-Chat、Vicuna-7B-v1.5、Mistral-7B-Instruct-0.2 等12个
- 攻击arXiv 2602.03265
超越后缀：GCG 对抗攻击中的 token 位置对大语言模型的影响
比较 GCG 对抗 token 作为前缀与后缀的越狱效果
- arXiv
- 2602.03265
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- deepseek-llm-7b-chat、Qwen2.5-7B-Instruct、Mistral-7B-Instruct-v0.3 等5个
- 攻击arXiv 2601.06464
3D 大型视觉语言模型的对抗鲁棒性研究
提出 Vision 与 Caption 攻击，扰动点云操纵 3D VLM 输出
- arXiv
- 2601.06464
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- PointLLM-7B、GPT4Point-2.7B
摘要作者用两类白盒攻击评估 3D VLM，称无目标更易成功、定向更难。
对 point-based 3D VLM 的白盒对抗鲁棒性评测。 作者关心驾驶、机器人等场景里，小几何扰动能否改写类别或描述，以及定向诱导特定输出是否像 2D 那样容易。方法上，Vision Attack 用余弦相似度推远原视觉 token，或拉向另一点云的特征。
- 攻击arXiv 2511.16110
MFA 框架在 17 个视觉语言模型上取得 58.5% 攻击成功率
提出 MFA 框架，协同突破视觉语言模型的对齐、提示与审核层
- arXiv
- 2511.16110
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- MiniGPT-4、LLaMA-4-Scout-Inst、LLaMA-3.2-11B-Vision-Instruct 等17个
摘要作者称多层防御的 VLM 仍存在跨模型漏洞，MFA 整合三项技术实现了端到端越狱。
- 攻击arXiv 2510.11570
研究显示简单攻击可绕过 gpt-oss 等推理模型的安全护栏
提出四种阶段转换攻击，绕过推理模型的安全推理护栏
- arXiv
- 2510.11570
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- gpt-oss-20b、gpt-oss-120b、Qwen3-4B-Thinking-2507 等10个
- 攻击arXiv 2501.16534
研究者提出提取对齐 LLM 安全分类器的越狱攻击方法
提出提取对齐 LLM 内嵌安全分类器并攻击其代理的越狱方法
- arXiv
- 2501.16534
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 白盒
- 被测模型
- Llama-2-7b-chat、Qwen2.5-7B-Instruct、gemma-7b-it 等7个
摘要抽出 safety classifier 近似再攻击迁移。
作者提出一种白盒越狱做法：抽出对齐 LLM 内部 safety classifier 的近似，再攻击该近似并迁回原模型。
已经到底了