Buchumschlag

AdaSteer: Your Aligned LLM is Inherently an Adaptive Jailbreak Defender

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhao, Weixiang, Guo, Jiahe, Hu, Yulin, Deng, Yang, Zhang, An, Sui, Xingyu, Han, Xinyang, Zhao, Yanyan, Qin, Bing, Chua, Tat-Seng, Liu, Ting
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Exploring and Exploiting the Inherent Efficiency within Large Reasoning Models for Self-Guided Efficiency Enhancement
von: Zhao, Weixiang, et al.
Veröffentlicht: (2025)

Beware of Your Po! Measuring and Mitigating AI Safety Risks in Role-Play Fine-Tuning of LLMs
von: Zhao, Weixiang, et al.
Veröffentlicht: (2025)

Towards Comprehensive Post Safety Alignment of Large Language Models via Safety Patching
von: Zhao, Weixiang, et al.
Veröffentlicht: (2024)

TEA-Bench: A Systematic Benchmarking of Tool-enhanced Emotional Support Dialogue Agent
von: Sui, Xingyu, et al.
Veröffentlicht: (2026)

When Less Language is More: Language-Reasoning Disentanglement Makes LLMs Better Multilingual Reasoners
von: Zhao, Weixiang, et al.
Veröffentlicht: (2025)

MPO: Multilingual Safety Alignment via Reward Gap Optimization
von: Zhao, Weixiang, et al.
Veröffentlicht: (2025)

OP-Bench: Benchmarking Over-Personalization for Memory-Augmented Personalized Conversational Agents
von: Hu, Yulin, et al.
Veröffentlicht: (2026)

Chain of Strategy Optimization Makes Large Language Models Better Emotional Supporter
von: Zhao, Weixiang, et al.
Veröffentlicht: (2025)

Teaching Language Models to Evolve with Users: Dynamic Profile Modeling for Personalized Alignment
von: Zhao, Weixiang, et al.
Veröffentlicht: (2025)

Lens: Rethinking Multilingual Enhancement for Large Language Models
von: Zhao, Weixiang, et al.
Veröffentlicht: (2024)

Trade-offs in Large Reasoning Models: An Empirical Analysis of Deliberative and Adaptive Reasoning over Foundational Capabilities
von: Zhao, Weixiang, et al.
Veröffentlicht: (2025)

When Personalization Legitimizes Risks: Uncovering Safety Vulnerabilities in Personalized Dialogue Agents
von: Guo, Jiahe, et al.
Veröffentlicht: (2026)

Understanding Multilingualism in Mixture-of-Experts LLMs: Routing Mechanism, Expert Specialization, and Layerwise Steering
von: Chen, Yuxin, et al.
Veröffentlicht: (2026)

AlphaSteer: Learning Refusal Steering with Principled Null-Space Constraint
von: Sheng, Leheng, et al.
Veröffentlicht: (2025)

Learning to Learn from Multimodal Experience
von: Sui, Xingyu, et al.
Veröffentlicht: (2026)

Aligning Large Language Models for Faithful Integrity Against Opposing Argument
von: Zhao, Yong, et al.
Veröffentlicht: (2025)

SteerX: Disentangled Steering for LLM Personalization
von: Zhao, Xiaoyan, et al.
Veröffentlicht: (2025)

Compose Your Aesthetics: Empowering Text-to-Image Models with the Principles of Art
von: Jin, Zhe, et al.
Veröffentlicht: (2025)

Safety Geometry Collapse in Multimodal LLMs and Adaptive Drift Correction
von: Guo, Jiahe, et al.
Veröffentlicht: (2026)

Analyzing the Inherent Response Tendency of LLMs: Real-World Instructions-Driven Jailbreak
von: Du, Yanrui, et al.
Veröffentlicht: (2023)

RSafe: Incentivizing proactive reasoning to build robust and adaptive LLM safeguards
von: Zheng, Jingnan, et al.
Veröffentlicht: (2025)

Prefix Guidance: A Steering Wheel for Large Language Models to Defend Against Jailbreak Attacks
von: Zhao, Jiawei, et al.
Veröffentlicht: (2024)

Large Language Model Agents Are Not Always Faithful Self-Evolvers
von: Zhao, Weixiang, et al.
Veröffentlicht: (2026)

Can I Trust Your Answer? Visually Grounded Video Question Answering
von: Xiao, Junbin, et al.
Veröffentlicht: (2023)

Understanding Long Videos via LLM-Powered Entity Relation Graphs
von: Chu, Meng, et al.
Veröffentlicht: (2025)

ENPMR-Bench: Benchmarking Proactive Memory Retrieval for Emotional Support Agents
von: Fu, Xing, et al.
Veröffentlicht: (2026)

Both Matter: Enhancing the Emotional Intelligence of Large Language Models without Compromising the General Intelligence
von: Zhao, Weixiang, et al.
Veröffentlicht: (2024)

Steering Away from Harm: An Adaptive Approach to Defending Vision Language Model Against Jailbreaks
von: Wang, Han, et al.
Veröffentlicht: (2024)

Self-Guard: Defending Large Reasoning Models via enhanced self-reflection
von: Zheng, Jingnan, et al.
Veröffentlicht: (2026)

Adaptive Probe-based Steering for Robust LLM Jailbreaking
von: Chen, Junxi, et al.
Veröffentlicht: (2026)

A Federated Framework for LLM-based Recommendation
von: Zhao, Jujia, et al.
Veröffentlicht: (2024)

Towards Goal-oriented Intelligent Tutoring Systems in Online Education
von: Deng, Yang, et al.
Veröffentlicht: (2023)

On Reasoning Strength Planning in Large Reasoning Models
von: Sheng, Leheng, et al.
Veröffentlicht: (2025)

Beyond Persuasion: Towards Conversational Recommender System with Credible Explanations
von: Qin, Peixin, et al.
Veröffentlicht: (2024)

SAPT: A Shared Attention Framework for Parameter-Efficient Continual Learning of Large Language Models
von: Zhao, Weixiang, et al.
Veröffentlicht: (2024)

Safe + Safe = Unsafe? Exploring How Safe Images Can Be Exploited to Jailbreak Large Vision-Language Models
von: Cui, Chenhang, et al.
Veröffentlicht: (2024)

Enhancing Spectral Graph Neural Networks with LLM-Predicted Homophily
von: Lu, Kangkang, et al.
Veröffentlicht: (2025)

Hello Again! LLM-powered Personalized Agent for Long-term Dialogue
von: Li, Hao, et al.
Veröffentlicht: (2024)

ConflictBench: Evaluating Human-AI Conflict via Interactive and Visually Grounded Environments
von: Zhao, Weixiang, et al.
Veröffentlicht: (2026)

Personalized Text Generation with Contrastive Activation Steering
von: Zhang, Jinghao, et al.
Veröffentlicht: (2025)