Awesome-LM-SSP
Awesome-LM-SSP 是一份专注于大型模型可信度的精选阅读清单，核心涵盖安全性、安全性和隐私保护三大维度。随着大语言模型及多模态模型（如视觉 - 语言模型、扩散模型）的广泛应用，如何防范越狱攻击、提示注入、数据投毒、深度伪造及隐私泄露等风险成为行业痛点。Awesome-LM-SSP 旨在解决这一信息分散难题，通过人工收集与整理，为社区提供系统化、结构化的学术资源导航。
该工具特别适合 AI 安全领域的研究人员、开发者以及关注模型伦理的技术决策者使用。它不仅收录了数千篇前沿论文，还细致地按“安全”、“防御”、“基准测试”等标签进行分类，甚至区分了针对 LLM、VLM 等不同模型类型的研究成果。其独特亮点在于极高的更新频率与广泛的覆盖范围，从基础的对抗样本研究到复杂的智能体安全，再到中文语境下的特有挑战，均有所涉猎。此外，项目采用开放的协作模式，鼓励全球学者共同维护元数据表，确保列表始终紧跟最新技术动态。对于希望快速把握大模型安全领域全貌、寻找攻防灵感或构建鲁棒系统的专业人士而言，Awesome-LM-SSP 是不可或缺的权威参考库。
使用场景
某金融科技公司安全团队正紧急评估即将上线的多模态客服大模型，需确保其能抵御越狱攻击、防止敏感数据泄露并符合伦理规范。
没有 Awesome-LM-SSP 时
- 检索效率低下：研究人员需在 arXiv、GitHub 和各类会议论文集中手动大海捞针，耗时数天才能凑齐关于“多模态越狱”或“提示词注入”的零散资料。
- 技术视野盲区：难以系统性覆盖从传统 LLM 到视觉语言模型（VLM）、扩散模型的全方位风险，容易遗漏针对图像输入的特定攻击手法。
- 复现验证困难：找到的论文往往缺乏对应的代码链接或基准测试（Benchmark）标识，导致防御方案无法快速落地验证。
- 分类标准混乱：面对海量文献，难以区分哪些是理论综述、哪些是实用防御工具包，增加了技术选型的决策成本。
使用 Awesome-LM-SSP 后
- 一站式精准获取：直接利用其分类索引（如 A1. Jailbreak、B3. Poison & Backdoor），几分钟内即可锁定 500+ 篇针对性高质论文及对应代码库。
- 多模态全面覆盖：借助清晰的模型标签（LLM/VLM/Diffusion），快速补齐对视觉输入攻击的认知短板，构建无死角的安全评估矩阵。
- 工程落地加速：通过"Benchmark"和"Toolkit"标签，直接调用成熟的评测数据集和防御工具包，将原本数周的验证周期缩短至两天。
- 前沿动态同步：依托社区持续更新的机制，即时掌握最新的中奖论文和开源项目，确保安全策略始终领先于攻击手段。
Awesome-LM-SSP 将原本碎片化、高门槛的大模型安全研究转化为结构化、可执行的工程指南，极大提升了可信 AI 系统的构建效率。
运行环境要求
未说明
未说明
快速开始
Awesome-LM-SSP
简介
本仓库汇集了关于大型模型（LMs）在多个维度上的可信性相关资源，包括安全性、保障性和隐私性等，特别关注多模态大型模型，如视觉-语言模型和扩散模型。
本仓库仍在持续更新中 :seedling: （手动整理）。
标签分类：
模型：
类别：
...
出处：
...
🔥🔥🔥 欢迎大家帮助我们更新列表！🔥🔥🔥
-589cf4){kind=icon}
-c7688b){kind=icon}
-39c5bb){kind=icon}
| 标题 | 链接 | 代码 | 出处 | 分类 | 模型 | 备注 |
|---|---|---|---|---|---|---|
| 这是标题 | paper.com | github | bb'23 | A1. Jailbreak | LLM | Agent |
最新动态
- [2026.01.09] 🎂🎂 Awesome-LM-SSP 两岁啦！继续加油！💪
- [2025.01.09] 🎂 Awesome-LM-SSP 一岁啦！继续加油！💪
- [2024.01.09] 🚀 LM-SSP 正式发布！
资源合集
- 书籍 (3)
- 竞赛 (5)
- 排行榜 (5)
- 工具包 (24)
- 综述 (41)
- 论文 (2387)
- A. 安全性 (1193)
- B. 保障性 (472)
- C. 隐私性 (722)
- C0. 总论 (55)
- C1. 污染 (17)
- C2. 数据重建 (64)
- C3. 成员身份推断攻击 (69)
- C4. 模型提取 (14)
- C5. 隐私保护计算 (133)
- C6. 属性推断攻击 (8)
- C7. 侧信道 (10)
- C8. 消除学习 (70)
- C9. 水印与版权 (282)
衷心感谢社区的支持 — 谢谢大家！🙏
致谢
本项目受到以下项目的启发：LLM Security、Awesome LLM Security、LLM Security & Privacy、 UR2-LLMs、PLMpapers、EvaluationPapers4ChatGPT
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。