UC Berkeley 提出 BenchJack，自动审计 10 个 Agent 基准并发现 219 处奖励作弊缺陷

UC Berkeley 研究者提出 BenchJack，一个面向 AI Agent 基准的自动化红队审计系统，可在不解决任何任务的情况下合成奖励作弊利用，在 10 个基准中的 9 个取得接近满分。该系统基于对既有奖励作弊事件的归纳，提出八类反复出现的评测缺陷分类（如隔离失效、测试自带答案、评测器远程代码执行、LLM 裁判提示注入、弱字符串匹配、评测逻辑缺口、信任不可信输出、权限过大），并整理成含 30 个问题、7 个类别的 Agent-Eval Checklist。在覆盖软件工程、网页导航、桌面操作和终端操作的 10 个基准上，BenchJack 共报告 219 处缺陷，横跨全部八类；其中 SWE-bench Verified 可被一个九行 PyTest hook 刷到全通过，WebArena 存在答案泄露。

推荐理由论文给出八类评测缺陷分类与自动化审计工具，并量化了 10 个主流 Agent 基准的奖励作弊可复现程度，可供基准设计者对照自查。

研究者提出 Reward Stealing Attack，从对齐模型行为反推安全奖励实施攻击

研究者提出 Reward Stealing Attack（ReSA）框架，针对 LLM 对齐背后的潜在安全奖励发起对抗攻击。该方法用最大熵逆强化学习，仅凭对齐模型的行为恢复出一个代理奖励模型，再在推理阶段将该奖励反向，通过奖励引导的解码机制得到对抗策略。实验显示，单个恢复出的奖励可跨提示词和多种模型泛化，ReSA 在攻击有效性和可迁移性上明显优于现有方法，论文认为这揭示了对齐层面的一个根本性脆弱点。代码已公开，论文共 19 页。

研究揭示训练效率与模型脆弱性的权衡：高效训练更易受对抗与隐私攻击

Yiyong Liu、Jun Sakuma、Michael Backes、Rui Wen 的论文对训练效率与模型脆弱性的权衡做了跨领域系统研究，覆盖视觉与语言模型。结果显示，采用选择性数据采样、高效预训练和简化强化学习流程等效率导向策略的模型，对对抗攻击和隐私攻击的易感性上升。作者通过分析模型内部几何与功能表征发现，高效变体一致表现出更尖锐的损失几何以及表征结构的系统性变化。研究还扩展到零 RL 训练，发现用简化 RL 流程训练的模型比常规对齐流程训练的模型更容易出现灾难性遗忘和过度自信。作者据此认为训练效率并非免费午餐，并呼吁转向同时优化性能、成本与安全的多目标训练。