本文针对「实时屏幕共享型 AI 助手」的隐私治理难题提出 PerceptFence。这类助手需要持续读取用户的原始屏幕画面与语音流，但用户几乎无法在运行时控制助手可以观察、记忆或对外披露哪些内容。作者指出，仅靠提示词层面的隐私开关是无效的，因为敏感信息是通过采集通道（屏幕像素、语音、OCR 文本）进入系统的，提示层根本看不到也不掌握这些数据。PerceptFence 的设计是在「采集层」与「记忆层／模型响应层」之间插入一个内容中介层（content-mediation architecture），对流入模型上下文的感知内容做统一的内容级判定与中和处理；论文同时给出了一套确定性的合成夹具（synthetic-fixture）评测脚手架，用固定种子、固定规则保证结果可复现。作者明确声明该工件不包含真实采集、类别推断、经认证的再授权、跨会话状态以及外部模型适配器，因此属于架构与评测方法的贡献，而非可直接部署的系统。评测分两阶段：第一阶段用 9,600 条有协议文档记录的对抗字符串，由独立实现的 exposure oracle 打分，在双方共同运行的 5 个种子上，PerceptFence 对「数字型 PII」载荷的中和率为 0.828，而 Microsoft Presidio 为 0.183；但在该族之外 Presidio 反而领先（0.238 对 0.154），因此总体 0.398 对 0.260 的对比只能视为参考性、非定论。第二阶段更贴近真实部署路径：用 Chrome 渲染 480 张合成的开发者支持工单截图，加入退化处理后交给 OCR 读取，规则在测试前冻结，并留出三种屏幕类型做留出验证；PerceptFence 中和了 968 个经 OCR 仍存活下来的密钥与 PII 值中的 889 个（0.918，Wilson 95% 置信区间 0.899–0.934），对比 Presidio 的 0.581 与 gitleaks 的 0.179；在留出屏幕类型上达到 0.974，代价是这些类型上任务 token 保留率为 0.763。作者强调该工作的贡献是有文档记录的中介架构与带显式覆盖边界的评测方法，并不宣称已实际部署、形式化隐私保证、新的脱敏原语或通用模型鲁棒性。

在移动设备取证中，从应用数据库中发现个人身份信息（PII）是一项极具挑战性的任务，因为相关的表列区域未知，且分散在异构的SQLite模式中，值还可能嵌入自由文本或半结构化字段。本文提出了一种假设驱动的框架（Hypothesis-Driven Search），将PII定位问题转化为有界、自适应的不确定性搜索。该框架由智能代理对候选表列区域进行排序，对采样值进行探测，并维护先前证据、置信度分数和决策的记忆，以迭代优化后续搜索假设。同时，框架将轻量级的PII探索与针对已验证区域的定向提取、归一化和去重分离，从而将穷举检查限制在有采样证据支持的区域，大幅降低搜索空间。作者在Cellebrite CTF语料库中的25个SQLite数据库（来自10个Android和iOS应用）上进行了评估，目标是电子邮件地址、电话号码、域名、人名和邮政地址。针对包含3,751个实体的语料库级去重真值集，Gemini 2.5 Pro达到了94.5%的F1分数，同时平均减少了79.9%的有效提取搜索空间。对12个模型后端的对比实验显示，多个前沿模型表现出强性能，但整体结果对模型能力高度敏感。研究贡献包括：形式化PII发现为假设驱动搜索、设计了高效的探索-提取分离流程，以及提供了多模型基准结果。该工作适合数字取证分析师、隐私合规工程师以及移动安全研究人员阅读。

本文介绍了 OpenAI 发布的 Privacy Filter 模型卡。该模型是一个紧凑的双向 token 分类模型，用于在非结构化文本中检测和脱敏个人身份信息（PII）与密钥。它基于自回归预训练检查点，通过转换为双向带状注意力分类器，能够在单次前向传播中对输入序列进行标注。模型采用约束 Viterbi 解码器，跨八个隐私类别生成连贯的片段，并提供可配置的工作点以平衡精确率与召回率。Privacy Filter 总参数量为 15 亿，每个 token 激活 5000 万参数，支持 128,000 token 的上下文窗口，专为高效的本地部署和领域特定微调而设计。其定位是分层隐私工作流中的可配置数据最小化组件，而非匿名化或合规性保证。该模型卡详细说明了模型架构、训练方法、性能特点以及使用限制，为隐私保护研究和实际部署提供了参考。

本文提出并实现了一个名为 Redakto 的开源工具，旨在解决大型语言模型（LLM）使用过程中的隐私保护问题，特别是针对欧盟新法规下个人可识别信息（PII）泄露的风险。随着 LLM 在各类应用中的普及，输入文本可能包含敏感信息，直接提供给模型会带来隐私合规挑战。Redakto 提供文本匿名化功能，支持 PII 的遮蔽（redaction）和假名化（pseudonymization），在文本进入 LLM 或下游处理之前完成脱敏。该系统通过多种方式暴露功能：面向终端用户的 Web 应用程序、面向开发者与研究人员提供的 REST API 以及模型上下文协议（MCP）钩子，便于集成到现有工作流中。实现完全开源，对计算资源要求不高，可轻松部署在本地硬件上。与以往工作不同，作者在法律和医疗领域文本上进行了广泛的实证评估，同时考察了隐私保护效果和脱敏文本的实用性（utility）。实验结果表明，使用不同脱敏策略处理的文本在实用性能上与原始文本相当，表明 Redakto 的匿名化处理不会对下游 LLM 任务造成显著的负面影响。该工作为隐私敏感的 LLM 应用场景提供了一种实用的防护工具，有助于推动研究向实际应用转化。适合 AI 安全、隐私工程、法律科技和医疗信息处理等领域的从业者与研究者阅读。

本文研究了中国移动应用中广泛使用的PII-as-Factor Authentication（PaFA）机制，即使用个人身份信息（如身份证号、银行卡号）作为额外认证因子的方法。作者发现了一种新型威胁：由于应用之间的同时使用和业务交互，目标应用的认证强度可能弱于设计预期。攻击者只要知道比PaFA系统要求更少的认证因子（仅SMS OTP），就可以通过从其他应用收集信息或滥用跨应用授权来绕过认证。为了系统评估风险，作者提出了半自动系统MAGGIE，用于测试目标应用的PaFA安全性。通过对中国应用市场中234个真实应用的测量，发现75.4%部署了PaFA的应用存在被绕过的风险，包括支付宝、微信、银联等流行敏感应用，可能导致用户账户劫持、未授权购买等严重后果。此外，作者还进行了用户调查以展示实际影响，并向厂商报告了发现，提出了缓解措施。该研究揭示了跨应用信息泄露和认证机制滥用的新攻击面，对移动应用安全设计有重要警示意义。