| Aug 21, 2026 | 速览 2026-08-21：3 篇 |
| Aug 20, 2026 | 速览 2026-08-20：4 篇 |
| Aug 20, 2026 | 人物 · Simon Willison |
| Aug 19, 2026 | 速览 2026-08-19：8 篇 |
| Aug 19, 2026 | 拒绝率不是废指标，它只是有边界 |
| Aug 19, 2026 | 一篇论文里的两个相反读数：unlearning 的'残留'不是模型属性 |
| Aug 19, 2026 | GPT-5 在 ReAct 模式下 90.20% ASR：「能力不预测抗注入」该退回去重写 |
| Aug 19, 2026 | 「0.42% 的神经元」是单次测量的读数，不是模型的属性 |
| Aug 18, 2026 | 迁移性不是攻击的属性，是载荷所处分布的属性 |
| Aug 18, 2026 | 「良性微调必然破坏对齐」：4% 和 87% 之间隔着一整套超参 |
| Aug 18, 2026 | 自报零代价与他评效用崩塌：一条论断的归属偏差 |
| Aug 18, 2026 | 同一实验里，Llama 加 5 倍预算不动，Qwen 涨到 0.40 |
| Aug 18, 2026 | 「低资源语言更不安全」这条论断，被测的量换了就反向 |
| Aug 18, 2026 | 评测集/基准 · MobileWorldSafety（GUI agent 环境注入安全基准） |
| Aug 17, 2026 | 31:1 之下的伪共识：聚合视图既是防御前提，也是攻击的成立条件 |
| Aug 15, 2026 | 速览 2026-08-15：1 篇 |
| Aug 14, 2026 | 速览 2026-08-14：5 篇 |
| Aug 13, 2026 | 速览 2026-08-13：6 篇 |
| Aug 12, 2026 | 速览 2026-08-12：18 篇 |
| Aug 11, 2026 | 速览 2026-08-11：20 篇 |
| Aug 10, 2026 | 速览 2026-08-10：8 篇 |
| Aug 10, 2026 | 人物 · Maksym Andriushchenko |
| Aug 9, 2026 | 速览 2026-08-09：9 篇 |
| Aug 8, 2026 | 速览 2026-08-08：8 篇 |
| Aug 7, 2026 | 速览 2026-08-07：8 篇 |
| Aug 6, 2026 | 速览 2026-08-06：11 篇 |
| Aug 5, 2026 | 速览 2026-08-05：12 篇 |
| Aug 4, 2026 | 人物 · Steve Wilson |
| Jul 28, 2026 | 人物 · Xiangyu Qi |
| Jul 24, 2026 | 人物 · Dawn Song |
| Jul 21, 2026 | 人物 · Bo Li |
| Jul 6, 2026 | 人物 · Edoardo Debenedetti |
| Jun 21, 2026 | 人物 · Chaowei Xiao |
| Jun 1, 2026 | 人物 · Xiaogeng Liu |
| May 29, 2026 | 人物 · Eric Wong |
| May 29, 2026 | 人物 · Alexander Robey |
| May 18, 2026 | 人物 · Johann Rehberger |
| Apr 29, 2026 | 人物 · Liwei Jiang |
| Apr 24, 2026 | 人物 · Leon Derczynski |
| Apr 10, 2026 | 人物 · Peter Henderson |
| Mar 31, 2026 | 人物 · Kai Greshake |
| Mar 16, 2026 | 人物 · Zifan Wang |
| Mar 16, 2026 | 人物 · Matt Fredrikson |
| Mar 16, 2026 | 人物 · Andy Zou |
| Feb 3, 2026 | 人物 · Ram Shankar Siva Kumar |
| Feb 3, 2026 | 评测集/基准 · AgentDyn（动态开放式 agent 安全防御基准） |
| Feb 1, 2026 | 真实事故 · CVE-2026-25253（OpenClaw / clawdbot / Moltbot 1-Click RCE） |
| Jan 28, 2026 | 人物 · Ashley Casovan |
| Oct 22, 2025 | 人物 · Sizhe Chen |
| Oct 8, 2025 | 人物 · Nicholas Carlini |
| Sep 23, 2025 | 人物 · Radha Poovendran |
| Sep 23, 2025 | 防御机制 · Qwen3Guard（阿里 Qwen 团队的安全护栏模型系列） |
| Sep 22, 2025 | 人物 · Dan Hendrycks |
| Aug 12, 2025 | 真实事故 · CVE-2025-53773（GitHub Copilot 自提权 RCE） |
| Aug 11, 2025 | 真实事故 · CVE-2025-55284（Claude Code 经 DNS 外带数据） |
| Aug 7, 2025 | 人物 · Sven Cattell |
| Aug 1, 2025 | 真实事故 · CVE-2025-54135 / CurXecute（Cursor 通过 MCP 配置文件被注入到 RCE） |
| Jul 29, 2025 | 人物 · Sander Schulhoff |
| Jun 27, 2025 | 人物 · Nouha Dziri |
| Jun 11, 2025 | 真实事故 · EchoLeak (CVE-2025-32711) |
| May 20, 2025 | 防御机制 · ShieldVLM（清华 CoAI，多模态隐性毒性护栏） |
| Apr 2, 2025 | 人物 · Seungju Han |
| Mar 24, 2025 | 防御机制 · CaMeL (Capabilities for Machine Learning) |
| Oct 11, 2024 | 评测集/基准 · AgentHarm（LLM agent 有害行为基准） |
| Oct 7, 2024 | 防御机制 · SecAlign（含 Meta SecAlign） |
| Oct 3, 2024 | 评测集/基准 · ASB (Agent Security Bench) |
| Aug 27, 2024 | 人物 · Riley Goodside |
| Aug 1, 2024 | 人物 · Mantas Mazeika |
| Jul 31, 2024 | 防御机制 · ShieldGemma |
| Jul 23, 2024 | 防御机制 · Llama Prompt Guard（Meta 的注入/越狱分类器，v1 86M / v2 86M+22M） |
| Jun 26, 2024 | 评测集/基准 · WildGuardTest（WildGuardMix 的人工标注测试切分） |
| Jun 26, 2024 | 防御机制 · WildGuard（AI2 的 7B 安全审核分类器 / WildGuardMix 数据集） |
| Jun 26, 2024 | 评测集/基准 · WildJailbreak（AI2 WildTeaming 合成越狱数据集及其 eval split） |
| Jun 20, 2024 | 评测集/基准 · SORRY-Bench |
| Jun 20, 2024 | 评测集/基准 · PKU-SafeRLHF（北大对齐组安全偏好数据集） |
| Jun 19, 2024 | 评测集/基准 · AgentDojo（ETH SPY Lab 的 prompt injection agent 基准） |
| Apr 3, 2024 | 评测集/基准 · JailBreakV-28K（含 RedTeam-2K / mini split） |
| Mar 28, 2024 | 人物 · Patrick Chao |
| Mar 28, 2024 | 评测集/基准 · JailbreakBench（JBB-Behaviors，100 条越狱行为基准） |
| Mar 5, 2024 | 评测集/基准 · WMDP（Weapons of Mass Destruction Proxy，大规模杀伤性武器代理基准） |
| Mar 5, 2024 | 评测集/基准 · InjecAgent（工具型 LLM agent 的间接提示注入基准） |
| Feb 15, 2024 | 评测集/基准 · StrongREJECT（A StrongREJECT for Empty Jailbreaks，越狱评测基准） |
| Feb 6, 2024 | 评测集/基准 · HarmBench（自动化红队标准评测框架） |
| Jan 11, 2024 | 评测集/基准 · TOFU（Task of Fictitious Unlearning，虚构作家遗忘基准） |
| Jan 10, 2024 | 评测集/基准 · RTA / RtA（Refuse-to-Answer rate，拒答率） |
| Dec 7, 2023 | 系统/工具 · Llama Guard（Meta 内容安全分类器系列） |
| Nov 29, 2023 | 评测集/基准 · MM-SafetyBench（多模态大模型安全评测集） |
| Nov 9, 2023 | 评测集/基准 · SafeBench（FigStep 版，500 条禁忌问题题库） |
| Nov 9, 2023 | 评测集/基准 · FigStep / SafeBench（排版图像越狱评测集） |
| Nov 2, 2023 | 机构 · UK AI Security Institute (AISI) |
| Oct 26, 2023 | 评测集/基准 · ToxicChat（lmsys/toxic-chat） |
| Oct 10, 2023 | 评测集/基准 · MultiJail（Multilingual Jailbreak Challenges 数据集） |
| Oct 10, 2023 | 评测集/基准 · MaliciousInstruct（100 条有害问句 + BERT 打分器） |
| Oct 5, 2023 | 防御机制 · SmoothLLM（随机字符扰动 + 多数投票的越狱防御） |
| Oct 5, 2023 | 评测集/基准 · HEx-PHI（Human-Extended Policy-Oriented Harmful Instruction Benchmark） |
| Aug 18, 2023 | 评测集/基准 · HarmfulQA（declare-lab，Red-Instruct 配套评测集） |
| Jul 27, 2023 | 评测集/基准 · AdvBench（GCG 论文附带的有害行为/有害字符串集） |
| Jul 10, 2023 | 评测集/基准 · BeaverTails（PKU-Alignment 有害性标注语料 / QA-moderation 数据集） |
| Jun 16, 2023 | 防御机制 · Self-Reminder（系统模式自我提醒） |
| Jul 4, 2022 | 评测集/基准 · WebShop（普林斯顿 NLP 组的模拟购物网站环境 / 评测集） |
| Mar 17, 2022 | 评测集/基准 · ToxiGen（隐式仇恨语句生成数据集 / 评测集） |
| Oct 15, 2021 | 评测集/基准 · BBQ (Bias Benchmark for QA) |
| Nov 20, 2020 | 防御机制 · ONION（Outlier-word detection backdoor defense） |
| Nov 9, 2020 | 防御机制 · Detoxify (unitaryai/detoxify) |
| Sep 24, 2020 | 评测集/基准 · RealToxicityPrompts (RTP) |