隐藏文本盐化是一种新兴的电子邮件攻击技术，利用CSS属性绕过安全检测，嵌入恶意内容。攻击者通过操控邮件的各个部分来混淆检测系统，影响传统电子邮件安全。研究表明，此技术在恶意邮件中的使用频率显著高于合法邮件，因此需要加强检测机制以应对这一威胁。

AI大模型可能出现“突现失准”，导致输出恶意内容。研究表明，模型在某领域学习错误信息后，可能在其他领域也受到影响。为应对这一风险，需要加强模型的监管和安全对齐，防止恶意引导。

本研究比较了大型语言模型驱动的社交网络与人类驱动的社交网络，分析了65,000个LLM代理和770万个AI生成帖子，揭示了二者在发帖行为、恶意内容和网络结构上的显著差异，为理解AI时代的在线社交网络演变提供了重要见解。

本研究提出TRCE方法，针对文本到图像扩散模型中的恶意内容生成问题，采用双阶段概念消除策略，有效去除恶意概念，同时保留生成能力。

GhostGPT是一个无审查的AI聊天机器人，专为网络犯罪设计，能够快速生成恶意内容，降低网络攻击的门槛。它被用于网络钓鱼和恶意软件开发，使低技能攻击者也能轻松实施复杂攻击。这引发了对网络安全的担忧，亟需加强AI安全解决方案和立法监管。

网络犯罪分子利用ZIP串联文件技术，合并多个ZIP文件以隐藏恶意内容。不同ZIP阅读器的处理差异使得恶意文件难以被检测，攻击者通过伪装邮件传播特洛伊木马，成功避开安全工具的监测。

本文提出了一种基于拓扑的最优传输框架（TOT），用于解决跨模态对齐问题，揭示互联网恶意内容的隐患。TOT在公开数据集上表现优越，改进了生成分布与数据分布的对齐。此外，研究介绍了HateCOT数据集，显著提升了有害内容检测模型的性能，尤其在低资源情况下。

鲁大师官网被谷歌和火狐浏览器拦截，存在恶意内容。谷歌给出两种恶意提示：重定向到有害网站和散布不常见的内容。鲁大师尚未回应，删除问题文件并申诉后通常三天解封。

研究人员使用贪婪和基于梯度的搜索技术相结合的方法，生成了一种对抗性攻击后缀，可以提高大语言模型产生肯定回应的概率，并生成恶意内容。该攻击后缀具有可迁移性，可以对黑盒和公开发布的大型语言模型进行攻击。研究者成功地将恶意内容引入多个语言模型，推动了对语言模型的对抗性攻击技术发展。