本研究提出了“揭开画布”基准（UTCB），旨在解决大型语言模型在图像生成中的内容安全性问题，并评估模型的脆弱性，具有重要的安全评估和改进潜力。

本研究探讨了自然语言处理安全中的伦理问题，分析了模型的脆弱性及其防范措施，指出在伤害最小化和负责任披露等主题上存在空白，并提出提升研究者伦理意识的建议。

本文研究了大型语言模型在代码理解中的脆弱性，特别是隐形字符攻击的影响。通过四种攻击方式评估其对代码分析的影响，发现早期版本的ChatGPT对干扰敏感，而近期版本在特定条件下有所改善。研究建议未来应增强模型对扰动的抵御能力。

本研究提出了一种新型对抗攻击方法，针对神经机器翻译(NMT)模型。通过在句子间插入一个词，研究者能够使第二个句子在翻译中被忽略，从而隐藏恶意信息。实验结果显示，超过50%的NMT模型对这种攻击表现出脆弱性。

本文提出了一种新的毒化攻击方式——延迟毒化攻击，针对深度学习模型的脆弱性。该方法在训练和验证阶段表现正常，但对规避攻击和自然噪声极为敏感，显著降低了模型的鲁棒性。

本研究提出通过权重曲率指数（WCI）来理解对抗鲁棒性的泛化，量化模型对抗扰动的脆弱性，为设计更坚韧的深度学习模型提供重要见解，增强其可靠性与安全性。

本文介绍了AttaQ数据集，评估了模型的脆弱性，并使用聚类技术自动识别和命名脆弱的语义区域，以增强对模型弱点的评估。