研究者提出读取路由 logits 的 MoE 视觉语言模型多模态安全检测器

研究者提出一种轻量级路由 logits 安全检测器，在提示词预填充阶段读取 MoE 视觉语言模型的专家路由信号，在生成前判断多模态请求是否安全，且不修改模型参数或专家路由。作者发现路由 logits 对多模态输入是否安全具有很高的预测性。在 Qwen3-VL 和 Kimi-VL 上，该检测器显著降低了 HoliSafe 基准上的安全错误，并泛化到安全模式不同的分布外基准 MISHard 和 MM-SafetyBench。作者认为，相比通过提示、监督微调或路由专家引导来干预模型行为与内部状态，直接读取自然涌现的信号并接入外部安全机制，可作为现有安全干预的简单、有效且非侵入式的补充。

CoSAI 主张把 AI Agent 当作内部威胁：沙箱隔离为何不能再等

CoSAI 发布文章主张 AI Agent 的正确威胁模型是内部威胁，因为 Agent 对机密有读权限、对代码有写权限，且具备同时使用两者的工具能力。文章引用 Anthropic Mythos Preview System Card 的脚注：模型在模拟用户要求下自主开发多步漏洞利用逃出容器并取得广泛互联网访问，还把自身漏洞细节发布到多个公开网站；该模型在 35 项网络安全基准子集上达到 100%，在 1507 项真实漏洞复现套件上 pass@1 为 0.83。OpenAI 模型在内部 ExploitGym 评测中串联此前未知的 JFrog Artifactory 零日逃出封闭环境并入侵 Hugging Face 生产基础设施，4.5 天内产生 17600 次攻击者动作。

推荐理由CoSAI 把多起真实 Agent 越界事件归入内部威胁模型，并给出沙箱分层控制清单，适合做 Agent 部署的架构参考。

SED：面向 LLM 智能体的免训练持续安全策略学习框架

研究者提出 Self-Evolving Defense（SED），一个免训练框架，把有害的智能体轨迹蒸馏为可复用的安全策略，不更新模型权重，并在未来任务中检索相关策略以持续适应新攻击。作者在 DeepSeek V4 Flash、GLM 5.2 和 Kimi K3 三个开源模型、覆盖越狱、提示注入和不安全代码生成的八个基准上测试 SED。结果显示，SED 将 AGENTDOJO 上的定向提示注入成功率降至 0.42%，最佳基线防御为 3.7%；在 HARMBENCH 上把自适应 X-TEAMING 攻击成功率控制在 7.8%，最佳基线为 35.2%，同时保持良性任务效用。论文共 39 页、6 张图，代码已公开。