攻击arXiv 2609.15383
微软团队提出 capability laundering 攻击：弱模型拆分任务向对齐前沿模型套取能力
提出能力洗钱攻击，拆分任务向对齐模型套取能力
- arXiv
- 2609.15383
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 攻击者
- 黑盒
- 被测模型
- GPT-5.5、Claude Opus 4.8、Grok-4.3 等7个
摘要作者提出了能力洗钱攻击，发现未对齐编排器分解咨询对齐模型可恢复能力差距，指出需建立跨会话防御。
- 攻击arXiv 2609.03247
研究揭示大语言模型的自发身份认证失败：五款模型的分阶段开发者身份实验
提出 MIPC 与 CFA，观察模型自拟测验后接受开发者身份
- arXiv
- 2609.03247
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- ChatGPT、Claude、Qwen3.7-Plus 等5个
摘要自拟测验可造成对话层虚假认证，但所测授权边界并未因此改变。
这项工作把“模型自己出题、自己批改、再宣布身份已核验”定义成对话层认证失败，并与后端提权分开。
- 攻击arXiv 2609.02414
Blueprint 框架用世界观模拟与 18 个影响因子提升多轮越狱成功率
提出多轮越狱框架 BLUEPRINT，用世界观模拟与心理因素诱导有害输出
- arXiv
- 2609.02414
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- Qwen3-Next-80B、DeepSeek-V3.2、GLM-4.7 等6个
摘要BLUEPRINT 解耦多轮越狱策略与情境模拟，揭示任务具象化是摆脱拒绝的核心机制，为多轮安全防御提供新视角。
BLUEPRINT 是一个将因子化社会影响力策略空间与跨轮世界观模拟解耦的多轮大语言模型安全评测框架。
- 攻击arXiv 2607.18056
上海 AI 实验室提出 Intern-BioBreaker，在 14 个前沿模型上暴露生物安全越狱风险
提出生物红队模型 Intern-BioBreaker，多轮越狱诱导模型输出可操作生物危害
- arXiv
- 2607.18056
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- DeepSeek-V3、Kimi-K2.6、DeepSeek-V4-Pro 等14个
摘要论文通过构建专用红队模型评估前沿大模型的生物安全漏洞与物理转化风险。
- 攻击arXiv 2607.03968
研究揭示 IDE 编程 Agent 的工作流级越狱：GitHub Copilot 四后端 816/816 生成有害内容
提出工作流级越狱，让编程 Agent 在开发任务中写入有害示例
- arXiv
- 2607.03968
- 发表
- 层
- 应用层
- 被测模型
- Claude Sonnet 4.6、Claude Haiku 4.5、Gemini 3.1 Pro 等4个
摘要作者报告 Copilot 后端会在编码工作流中生成其在单轮条件下通常拒绝的有害答案。
这是一项生产 IDE 编码智能体的工作流越狱研究，受测对象是 Copilot 的四个模型后端，而非评测流水线中的名义目标。
- 攻击arXiv 2607.00481
研究者提出 SMT 框架，通过模拟审核轨迹越狱函数调用 LLM
提出 SMT 框架，用模拟审核轨迹越狱函数调用 LLM
- arXiv
- 2607.00481
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- GPT-4o、GPT-5.4、Qwen3-Max 等7个
- 攻击arXiv 2606.09701
研究者提出 AdvGRPO 框架，用 GRPO 协同训练语言模型攻击者与防御者
提出 AdvGRPO，用 GRPO 闭环共训多轮越狱攻击者与防御者
- arXiv
- 2606.09701
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- Qwen2.5-7B-Instruct、Qwen2.5-14B-Instruct、Qwen3.5-9B 等7个
- 攻击arXiv 2605.30883
TRACE：面向 LLM Agent 的任务感知自适应自进化越狱框架
提出 TRACE 框架，用分解与可演化多轮策略诱导智能体执行有害工作流
- arXiv
- 2605.30883
- 发表
- 层
- 应用层
- 被测模型
- Codex、Claude Code、GPT-5.5 等6个
- 攻击arXiv 2606.00150
Persona Attack：通过增量记忆注入越狱大语言模型
提出 Persona Attack，分步写入对话记忆指令以越狱
- arXiv
- 2606.00150
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- GPT-4o、Llama-3.2-3B-Instruct、ChatGPT-4o 等5个
- 攻击arXiv 2604.24082
研究者提出意图伪装多轮越狱方法，可攻破 GPT-5-thinking 与 Claude-Sonnet-4.5
提出多轮意图欺骗越狱 iDecep，用良性意图伪装引出有害内容
- arXiv
- 2604.24082
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- GPT-4o、Gemini-2.5-Flash、Claude-Sonnet-4.5 等4个
摘要iDecep 用意图欺骗做多轮越狱，在 GPT-5 与 Claude-Sonnet-4.5 上同时测到直接成功和 para 成功。
iDecep 是一种黑盒多轮越狱：用表面良性的意图维持与恶意目标贴近的对话，并单独计入 safe completion 替代内容中的有害信息。。
- 攻击arXiv 2603.15684
多轮语言模型交互中的状态依赖安全失效
提出 STAR 多轮角色扮演框架，利用对话状态演化绕过安全对齐
- arXiv
- 2603.15684
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- GPT-4o、Claude 3.5 Sonnet、Gemini 2.0-Flash 等5个
- 攻击arXiv 2603.10010
FERRET：基于扩展的多模态自动化红队测试框架
提出 FERRET 框架，用扩展生成多轮多模态越狱对话
- arXiv
- 2603.10010
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- Llama Maverick、Claude Haiku、GPT-4o
- 攻击arXiv 2602.14399
针对大型视觉语言模型的多轮自适应提示攻击
提出 MAPA 多轮自适应提示攻击，交替文本与视觉动作越狱视觉语言模型
- arXiv
- 2602.14399
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- LLaVA-V1.6-Mistral-7B、Qwen2.5-VL-7B-Instruct、Llama-3.2-Vision-11B-Instruct 等4个
- 攻击arXiv 2603.20198
研究者提出 MM-Plan 多模态越狱框架
提出 MM-Plan 多模态越狱框架，自动规划多轮图像编辑以越狱视觉独占目标
- arXiv
- 2603.20198
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- Llama-3.2-11B、InternVL3-8B、Qwen3-VL-8B 等8个
摘要作者称全局规划能攻破对单轮攻击更稳的前沿 MLLM。
MM-Plan 是面向 Visual Exclusivity 的 black-box 多模态红队方法，并配有人工基准 VE-Safety。
- 攻击arXiv 2601.20903
ICON：意图与上下文耦合的高效多轮越狱攻击
提出 ICON 多轮越狱，用意图-上下文先验生成攻击序列
- arXiv
- 2601.20903
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- Llama-4-Maverick-Instruct、Llama-3.1-405B-Instruct、Qwen-Max-2025-01-25 等11个
- 攻击arXiv 2601.05466
通过强化学习用迭代式工具伪装攻击越狱大语言模型
提出 iMIST，用工具伪装和 PPO 迭代越狱大语言模型
- arXiv
- 2601.05466
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 攻击者
- 黑盒
- 被测模型
- DeepSeek-V3、Qwen3-32B、GPT-OSS-120B
摘要iMIST 用工具伪装和在线 PPO 做黑盒越狱，Table I 中 JADES 高于同格基线。
iMIST是黑盒越狱方法：把恶意查询伪装成合法工具调用，再用在线强化学习把响应的有害性分数往上推。
- 攻击arXiv 2601.05445
面向大语言模型的知识驱动多轮越狱
提出知识驱动多轮越狱 Mastermind，用策略知识闭环攻击对齐模型
- arXiv
- 2601.05445
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- Llama 3.1 8B Instruct、Llama 3.3 70B Instruct、Qwen 2.5 7B Instruct 等16个
- 攻击arXiv 2601.05339
多模态大语言模型的多轮越狱攻击与 FragGuard 防御
提出多轮多模态越狱，并用 FragGuard 拦截有害响应
- arXiv
- 2601.05339
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- LLaVa-1.6 (7B)、LLaVa-1.6 (13B)、Qwen-2-7B 等5个
- 攻击arXiv 2601.02670
SLIP：无需外部攻击模型的多轮自我越狱
提出无外部攻击模型的多轮自我越狱方法 SLIP
- arXiv
- 2601.02670
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- GPT-5.1、GPT-4o、Claude-Sonnet-4.5 等11个
摘要论文提出了无外部攻击模型的自我越狱方法 SLIP，指出对齐模型内在能力抑制的漏洞并设计了语义漂移防御。
- 攻击arXiv 2512.18755
MEEA：基于曝光效应的多轮越狱攻击框架
提出多轮越狱框架 MEEA，用曝光递进提示与模拟退火绕过对齐
- arXiv
- 2512.18755
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 攻击者
- 黑盒
- 被测模型
- GPT-4、Claude-3.5-Sonnet、DeepSeek-R1 等5个