每日论文精读 #079：激活探针检测多智能体合谋，读的是指令而非决定
本文揭示多智能体合谋检测的激活探针主要读取"被指示合谋"而非"决定合谋"，去掉指令后AUROC从1.00跌至0.61，并给出三 pitfalls 与检测协议。
安全
每日论文精读 #076：本地差分隐私水印——追踪群体使用率而不监控任何个人
斯坦福团队把水印目标从『追踪单篇文本』改为『估计群体使用率』，用本地差分隐私构造序列级红绿水印RGS：单篇文本几乎无法被指认（ε=1），但2000条混合文本的AI占比估计误差仅0.4%。隐私与溯源可以两全。
每日论文精读 #074：上下文压缩会悄悄拆掉模型的安全护栏
编码器式上下文压缩在保留语义的同时系统性削弱拒答对齐，Mistral-7B拒答率从62.8%跌到10.9%——一种无需对抗攻击的结构性越狱。
每日论文精读 #064：用封闭意图词表把LLM安全运维代理关进笼子
让LLM只输出意图而非命令，配合NeMo-Guardrails代理双闸门，把提示注入的注入召回率从25%提到94.5%
每日论文精读 #061：失控风险的实证证据只够得上「弱可信」
Future of Life Institute等机构系统评估19项实证研究：AI失控风险的现有证据仅支持「弱可信」判断，外部效度缺口普遍存在。
每日论文精读 #059：别让LLM直接执行命令——封闭意图词表+护栏代理把注入攻击挡在信任边界外
用封闭意图词表和NeMo-Guardrails代理双层架构，把LLM安全运营的注入召回率从25%提升到94.5%，且任何命令都不会被模型直接合成执行。
每日论文精读 #006：LLM自动安全响应的第一原则——永远别让模型直接碰shell
用封闭意图词表+参数校验器把LLM的输出锁死在白名单动作里，再用NeMo Guardrails代理把注入召回率从25%拉到94.5%——LLM应待在确定性系统的边缘，而不是中心。
每日论文精读 #049：用越狱提示给黑盒推理模型做不确定性量化
把越狱式提示变换反过来用在良性问题上，恢复被RL对齐压制的输出多样性，让黑盒推理模型的置信度校准显著改善。
每日论文精读 #047：CLIP安全对齐不再一刀切——按模态状态选择性重塑嵌入空间
ShieldCLIP用逐模态安全标签替代整对标注，只重定向真正不安全的分支，有害输出更少且良性表征几乎零损伤。
每日论文精读 #043：在法条被藏起来时，微调模型的引用幻觉率飙到83%
GRACE构建了1915条加拿大法律对抗推理数据集，微调后的4B小模型开卷表现大幅提升，但一旦不给法条原文，无依据引用率从19.5%暴涨至83.2%——流畅的法律腔反而更危险。
每日论文精读 #040：工具型Agent的通用防御——简单多层防御即可把攻击成功率打到0%
提出针对工具型LLM Agent四类攻击（直接/间接注入、记忆投毒、后门）的统一多层防御框架，工具过滤+工具集恢复+提示工程组合在多种模型上实现0%攻击成功率且不伤任务性能。
每日论文精读 #033：改写提问暴露隐藏恶意——SRD-Guard免参数黑盒越狱防御，检出率最高100%
华东师大提出SRD-Guard：语义改写+多模型联合评分+相对风险路由的免参数黑盒防御，对UNIATTACK/CIPHER/DeepInception三类伪装越狱平均检出率91.4%/100%，过拒率仅8%/12%。
每日论文精读 #026：印地语越狱攻击成功率72%——说服式话术在低资源语言上几乎无差别击穿LLM防线
IIT Jodhpur等提出IndicSafeEval：7,200条说服式越狱提示覆盖4种印度语言，实测5个开源模型攻击成功率最高81.7%；「权威背书」和「逻辑感召」平均越狱率超70%，且强制英文回复后ASR从68.9%升至82.2%——安全对齐的短板在多语言场景暴露无遗。
每日论文精读 #022：堆叠防御不会相乘——七层LLM防御栈失效相关性首次实测
防御栈本质是集成学习：15对防御的失效相关性全部为正（φ 0.30–0.75），乘法组合是永远达不到的下界；七层栈拒绝81%良性请求却与最强单层无统计差异——深度买了拒绝，没买安全。
每日论文精读 #020：蚂蚁开源SingGuard-NSFA，Agent安全的双模式护栏
蚂蚁集团开源Agent安全护栏框架：NSFA风险分类法+双模式推理，0.8B小模型即可实时拦截Agent运行威胁，F1超Llama Guard 3达30个点。