安全对齐

REX：把危险知识迁入可移除 MoE 专家，架构级防微调恢复

把危险知识隔离到可删除专家，使「移除」而非「压制」成为可能，对 MoE 模型的安全部署与合规下线有直接工程价值。

安全模型递归自蒸馏后渐进式错位，Qwen3 与 Phi-4 均复现

自生成数据循环训练存在安全退化风险，自蒸馏流水线需加入逐轮对齐监测

SCOPE 编译策略为神经谓词程序，取得最高平均准确率

面向多轮 Agent 的策略执行，用小模型和显式逻辑提升稳定性与可解释性，值得在生产护栏中评估。

Mirage 绕过 Stable Diffusion XL 安全检查器

展示后生成安全检查器可被跨模态扰动绕过，对多模态生成安全评测与防御有直接参考。

15 个 LLM：latent 安全监测不优于模型自身行为

提醒安全监控不要迷信内部探针：OOD 改写/越狱下，简单文本特征可能更强，需结合模型拒绝行为评估。

TrojanForge 自动投毒代码仓库攻击编码智能体，并建 384 个毒仓库基准

编码智能体的上下文即攻击面：仓库级投毒已可自动化并跨库迁移伪装策略，工程上需对依赖、脚本与执行轨迹做默认不可信审计。

MPIDetector 检测多模态提示注入最高 99.80%

为多模态 Agent 防御提示注入提供 few-shot 检测方案，跨模型与 WebInject 测试显示高检出。

LLM 权重级 谱指纹实现训练免费的模型所有权审计

开放权重 LLM 所有权保护与离线审计可不依赖推理输出，且对指令微调、量化、剪枝等修改保持稳定。

同一批 5.3 万 prompt 双标注：护栏基准分数取决于标签定义

安全基准污染严重（最高 88%），护栏得分受标注口径左右，自评与选型需重新校准

视觉与语言表征不可线性对齐，VLM失败不随规模消失

挑战“规模可解决一切”的假设：多模态训练若只堆数据规模而不显式做表征对齐，失败模式会持续存在。