本文指出大型语言模型的安全评估受到小数据集、方法不一致和评估环境不可靠等因素的影响，导致攻击与防御的评估和比较变得困难。作者提出了一系列指南，以减少评估中的噪声和偏差，促进未来研究的可比较性和可衡量进展。

本研究探讨了预训练模型在实际应用中的安全与隐私问题，提出了一种新型攻击与防御方法分类法，并明确了这些模型面临的安全挑战。研究表明，不同的攻击与防御方式各有优缺点，为未来研究提供了新机遇。

这份报告总结了近年来研究热点的Web3安全领域的16篇论文，涵盖了漏洞检测、新型攻击与防御、优化和隐私问题等主题。这些论文讨论了智能合约漏洞检测的各种工具和技术，分析验证服务的安全性质，防御攻击，优化离链协议，以及分析隐私影响。

本文综述协作与联邦学习中的梯度隐私攻防，提出兼顾隐私、效用与通信效率的双梯度修剪防御，并介绍可微图攻击、递归梯度攻击、SAPAG等攻击方法，以及隐私保护求和、DGREC推荐等防御，表明梯度裁剪是有效策略。

该文综述垂直联邦学习（VFL），涵盖其概念、分类、隐私保护协议、攻击与防御策略，提出统一框架VFLow，并涉及安全挑战、后门攻击、特征推断攻击、多类别分类框架MMVFL及轻量级框架VFLAIR，回顾工业应用进展，指出开放性问题与未来方向。

该文综述去中心化联邦学习的安全与隐私研究，涵盖投毒、后门、成员推断、生成对抗网络及差分隐私等攻击，涉及聚合器与参与者威胁，梳理防御机制、可信度与可验证性，并指出非独立同分布数据、高维和异构架构等训练挑战及未来方向。