#1
利用 Windows Server 2025 的 dMSA 权限提升漏洞,枚举可写 OU,将权限提升至任意域用户,提取凭据,并在经授权的 AD 安全评估中实现域接管。

用于测量针对 LLM 的越狱攻击成功率(ASR 和逐步 ASR)的研究代码,包含 GCG 等攻击的实现以及评估脚本。

基于硬件断点(DR0-DR7)的无补丁用户模式挂钩与遥测插桩引擎(AMSI、WLDP 和 ETW PoC)。

可复现的 Colab 流水线,将六个 AI 安全素养能力维度建立在公开基准和调查微观数据之上,生成图表、表格和可续跑的结果。

针对目标重绑定攻击的研究代码、基准测试与防御方案,该攻击诱使 LLM 安全防护机制对伪造的诱饵内容进行评分,另含分段最大蒸馏加固。

在攻击到达您的 LLM 之前阻止提示注入攻击 — 零 API 成本,完全本地运行,2 分钟集成。提示注入是 LLM 应用的第一大安全风险。aco-prompt-shield 捕获已知的越狱模式,通过 ML 理解语义意图,并检测混淆 — 全部本地化,全部私密。

CVE-2026-47644 的漏洞验证代码与完整技术分析:Edge Copilot 通过附件标签逃逸实现提示注入,进而借助渲染的电子邮件图片实现跨标签页数据窃取。

生成HTML走私页面,通过JavaScript在客户端嵌入并重建文件,支持载荷编码、分块、混淆以及钓鱼诱饵模板。

一份关于 AI 系统对抗性测试与安全评估的全面指南,帮助组织在攻击者利用漏洞之前识别这些漏洞。

LLM驱动的智能体群体刷单攻击框架,利用自适应多角色策略操纵黑盒协同过滤推荐排名,同时规避检测。

用于 RAG 投毒防御的轻量级评估框架,可构建四条件干净/投毒记录,并报告被阻止的目标、净减少量、干净侧影响和审计数据包。

用于训练适配器的研究代码,使LLM代理后门在良性微调后仍能存活,并具备触发率评分、SWE-bench评估和数据集构建器。

早期退出深度大语言模型中的越狱漏洞。发表于 NeurIPS 2026 的 FLMSec 研讨会

面向商业图像生成器的红队测试基准与黑盒攻击框架,用于评估视觉虚假信息风险,包含1万条虚假声明提示词及评分脚本。

针对视觉-语言网络代理的对抗性图像攻击:从视觉定位到浏览器执行


LLM 安全:分析微调如何改变拒绝行为,并评估层冻结与低秩防御。

微调框架,对LLM应用一阶最优安全校准和周期性重校准,在提升下游任务效用的同时保留安全兼容的更新。