#white-box-attack

共收录 2 条相关情报。

← 返回所有主题

学术论文2026-09-09 发布INFO

How Fragile Is Safety Alignment at Frontier Scale? A Single-Direction Attack on a 320B MoE

该论文研究的是：在开放权重语言模型上被广泛引用的「方向消融（directional ablation）」白盒攻击，是否在从前沿稠密模型迁移到大规模混合专家（MoE）架构后依然成立。所谓方向消融，是指不需要基于梯度的训练、也不需要任何优化，仅

历史摘要 · 未重新核验 · arXiv cs.CR

#cs.AI #cs.CL #cs.LG #llm-alignment #moe #white-box-attack

学术论文2026-08-02 发布INFO

Moving the Safety Barrier: Dynamic Routing Adaptive Alignment Against White-Box Attacks

本文针对大型基础模型（LFMs）在开放环境中部署时面临的新型安全威胁——白盒攻击。与传统的黑盒越狱不同，白盒攻击能够直接定位并破坏模型内部的安全神经元或安全路由，而现有防御方法通常依赖静态安全单元或固定的拒绝路径，在路由级别的白盒攻击下显得

历史摘要 · 未重新核验 · arXiv cs.CR

#cs.AI #agent-security #llm #white-box-attack #safety-alignment