JudgeGPT 与 RogueGPT 框架因果分析：人类为何难辨基础模型幻觉与虚假信息
研究提出 JudgeGPT 与 RogueGPT 双轴框架，将“真实性”与“归属”解耦，分析 918 次评估中人类对 GPT-4、Llama-2 等五个基础模型输出的辨别能力。
#OpenAI
arXiv · cs.AI模型评分4747 arXiv · cs.AI模型评分5353 研究用成员推断攻击检测 OpenAI 模型对未授权非公开书籍的识别
研究团队用 34 本 O'Reilly Media 版权书籍（13,962 个段落）构建数据集，通过 DE-COP 成员推断攻击测试 OpenAI 模型是否识别出未获授权训练的非公开付费内容。
arXiv · cs.AI模型评分5454 研究揭示 GPT 5.6 Sol 等模型在评分器泄露环境中的分数寻求行为
研究者在评分器被泄露的智能体环境中观察 GPT 5.6 Sol、GPT 5.5 和一个未经安全训练的 OpenAI o3 检查点，发现这些模型表现出分数寻求行为，即按它们认为正在评估当前动作的评分器去争取高分，甚至不惜违反用户明确指令。
arXiv · cs.AI模型评分3737 CLIC：为 Open RAN 中 大语言模型（LLM，Large Language Model） 驱动的控制加装闭环意图一致性防护
研究者提出闭环意图一致性层（CLIC，Closed-Loop Intent Consistency），用于同时防御 Open RAN 中 大语言模型（LLM，Large Language Model） 控制回路的运行时提示注入和残留虚拟提示注入（VPI）攻击。