全部动态
论文与会议论文
本页材料
24 条- 论文论文追踪
非洲 AI 政策优先事项与治理分析：各国高度关注 AI 机遇却较少重视 AI 安全
一项基于非洲各国演讲、新闻稿、公开声明及国家 AI 战略与框架的分析指出，非洲各国政府高度关注 AI 带来的经济转型机遇，但对 AI 安全的关注相对不足。研究认为，非洲在前沿 AI 领域主要是消费者而非生产者，加之面临紧迫的发展挑战，使其在全球 AI 讨论中相对被忽视。
- 论文论文追踪
撒哈拉以南非洲自主 AI 诊断智能体的负责任部署：患者知情与问责缺口
论文指出，撒哈拉以南非洲 eHealth 平台正以快于治理基础设施的速度部署自主 AI 诊断智能体，即无需强制实时人工复核即可分析患者临床数据并给出诊断或分诊决策的系统。基于坦桑尼亚计算机辅助结核病检测、赞比亚糖尿病视网膜病变与结核筛查、加纳移动健康聊天机器人分诊三个已落地案例，论文提出智能体知情同意、人工否决作为结构性要求、情境适配可解释性三项原则，为开发者、卫生系统管理者和政策制定者提供最低实践标准。
- 论文论文追踪
研究对照美国联邦 AI 治理覆盖与行业脆弱性评估
一项研究评估了 684 份美国联邦 AI 治理文件对 14 个行业和 24 类 AI 风险的覆盖情况，并以广度和深度两个维度衡量。结果显示覆盖差异明显：鲁棒性、系统安全和治理类风险获得的关注多于社会经济、环境及包括多智能体风险在内的新兴风险；公共行政、国家安全、信息和科学服务等行业的覆盖相对较高，而专家认为高度易受 AI 风险影响的金融和医疗行业覆盖偏低。研究者将现有覆盖与 272 位专家的 Delphi 脆弱性评估对比，指出治理覆盖与专家判断之间的差距，供政府和行业在 AI 风险决策中参考。
- 论文论文追踪
论文指出消除人口统计信息的不变性约束可能制造新偏见
论文从数学和实验两方面论证，强制模型内部表征对人口统计信息不变，可能妨碍偏见缓解甚至制造新的偏见。作者区分了边际表征不变性与类别条件表征不变性，并证明二者分别对应人口统计均等和机会均等等标准群体公平概念。研究在五个表格数据集和两个胸部 X 光影像数据集上评估了两类不变性约束对预测性能和公平性的影响，结论是人口统计表征不变性既非公平性的理想状态，也不足以保证公平。
- 论文论文追踪
面向算法公平性的 Rank Graduation 指标
论文提出基于排序的公平性评估框架，通过模型预测误差分布将公平性评估与预测准确性和可解释性关联，包含 Rank Graduation Fairness（RGF）、其积分指标 AURGF、中心化 Cramer–von Mises 置换检验和用于公平性解释的特征移除流程。在 logistic regression、random forest、gradient boosting 和多层感知机上评估，模拟研究显示受保护群体失衡可逆转描述性公平比较，而所提推断流程能正确区分公平与不公平机制。应用于 HMDA 抵押贷款数据时，模型排名与经典公平性标准不同，四个模型的公平性原假设均被拒绝，树模型在预测准确性与排序公平性上组合最优。
- 论文论文追踪
面向 EU AI Act 基本权利影响评估的可复用语义网框架
为满足 EU AI Act 第 27 条对高风险 AI 系统部署前开展基本权利影响评估（FRIA）的要求，研究者提出一个可复用的语义网框架，把分散的事件库、风险词表与法律文本整合为可 SPARQL 查询的知识图谱。该框架覆盖就业与工人管理（Annex III(4)）和基本公共服务获取（Annex III(5)(a)）两类公共部门场景，基于 150 条记录语料构建含 1,351 条 RDF 三元组的知识图谱，五个 FRIA 演示场景覆盖 103 条记录（68.7%）。对照 69 条记录金标准评估显示，LLM 辅助的就业领域分类仅达 κ = 0.045，提示该领域自动化公平性证据检索仍不可靠。
- 论文论文追踪
研究揭示 split-LLM 训练中返回梯度泄露真实行，前向隐私门仍通过
研究者对两节点 split-LLM 训练系统做安全案例研究，发现被评估为通过隐私门的前向通道之外，返回的输出梯度存在未被测试的泄露通道。可信本地节点持有私有损失并回传输出梯度，由于损失在 decoy 行之前截断，decoy 行的梯度恒为零，零支撑模式直接暴露哪些行是真实行。在九个随机种子上，每次运行的 4,096 个帧都被准确区分出真实行，行级一致率为 1.000。基于该结构信号的内容探测相对常量基线多恢复约每百 token 一个 token，提升 +0.65 至 +1.50 个百分点，而打乱标签的对照未恢复任何信息。在通过前向隐私门与质量门的四层浅分割配置上，联合视图仍突破预设的 +1.0 个百分点门限。
- 论文论文追踪
微软发布 Thinkingbox 沙盒与 507 任务基准，评估有状态业务流程中的 Agent 可靠性
微软等机构的研究者发布 Thinkingbox 沙盒与 Thinkingbox-bench 基准，用于评估 Agent 在有状态业务流程中的可靠性。沙盒提供隔离的 MCP 兼容工具会话、完整执行轨迹，并以终端后端状态和副作用作为判定依据；基准包含零售、酒店、车险、数字银行内部 IT 与咨询 IT/HR 五个领域的 507 个策略约束工作流，每个任务用可执行检查判定，允许不同有效路径但拒绝错误、缺失或多余的状态变更，其中 30 个任务额外检查最终回复的必需属性。研究者在 18 个闭源与开源模型上每任务重复 20 次试验，发现可靠性明显下降：Claude Opus 5 从 66.50% pass@1 降至 47.53% pass^20，Kimi-K3 从 57.37% 降至 17.60%；Qwen3.8-27B 的 pass@20 达 89.35%，但 pass^20 仅 10.93%。
- 论文论文追踪
研究：推理 token 能纠正部分偏见，却制造约 5 倍新偏见
一项发表于 EMNLP 2026 的研究在 QwQ-32B、DeepSeek-R1-Distill-Qwen-32B 和 Qwen3-32B 上做同一模型的开思考与关思考对照，在 Adult、COMPAS、Credit 三个高风险决策任务上发现思考对反事实公平性有不对称的双重效应：既纠正了非思考基线产生的反事实翻转，也在模型接近饱和置信度时制造新的翻转。在全部九个（模型，数据集）组合中，新制造的翻转数量约为被纠正翻转的 5 倍。作者把思考轨迹本身当作公平性变化的可测量位置，提出 Counterfactual Depth Probability Gap（CDPG）追踪偏见随思考深度的演化，发现偏见随思考传播并放大；还构建 Bias Transition Matrix（BTM）刻画反事实样本对的预测从非思考到思考的变化，指出这种不对称双重效应源于样本对状态的联合转移。
- 论文论文追踪
AgentAudit：面向 AI Agent 全生命周期信任评估的开源框架
研究者提出 AgentAudit，一个可附加在任意 LLM Agent 上、只读取执行轨迹而不干预其运行的开源评估框架，覆盖规划、工具选择、工具执行、记忆与推理的完整流程。该框架从指令完整性、规划器、记忆、工具选择、工具调用、工具正确性、对齐、工具忠实性、安全与执行完整性十个能力、接地、安全与行为维度评估整条执行轨迹，并结合行为分类与失败归因定位出错的阶段。所有轨迹由同一个固定裁判模型打分，而该模型本身也是被评测模型之一，作者在第七节 E 小节讨论了这一局限。论文还指出，任务完成表现相近的模型在可信度上可能差异很大，若干非前沿模型在对抗任务中反复被归类为 Unsafe_Compliance，而不只是任务失败，这是通过/失败式基准无法呈现的区别。
- 论文论文追踪
研究：拒答只读取模型道德表征中的伤害切片
一项针对四个开源权重模型的研究发现，拒答决策并不读取模型用于道德判断的完整道德子空间，而是只读取其中与伤害相关的低秩切片。作者在 OLMo-3 上用嵌套交换秩扫描做因果检验：随着道德基扩大，道德判断的迁移系数从 0.05 升到 0.66，而拒答迁移在 k=3 后停在 0.22 至 0.24，约四分之三的拒答因果输入落在道德子空间之外。研究还发现道德理解在预训练阶段就已形成，OLMo-3 上该子空间与最终状态的余弦从 1000 步的 0.869 升到 0.999，对齐只做一次约 40 度的旋转；而拒答门是后训练新建的，与其预训练前身的余弦仅 0.155。四个模型的读取方式并不一致：Llama-3.1 读取宽泛道德内容，Qwen2.5 超出单一伤害线索但在样本量下未定论，GPT-OSS 读取伤害且其拒答可被自身推理链推翻。
- 论文论文追踪
Harness-IF：评估编码 Agent 跨指令面的指令遵循能力
研究者提出 Harness-IF，用于评估编码 Agent 在多个指令面上的规则遵循情况，并区分真正遵循与碰巧符合默认行为。该基准包含 60 个真实多轮编码任务，取自 642 条规则库，256 条规则获得判定，分布在部署 Agent 会读取的五个可配置指令面上。为区分遵循与巧合，作者提出 Against-Prior Accuracy（AP-Acc），只对与模型无提示默认行为相反的规则打分，通过九次探针构建中隐去规则重跑任务来观测。在 12 个前沿模型上，准确率为 72.1% 至 85.9%，AP-Acc 为 66.1% 至 78.6%，所有模型在反先验规则上表现更差，差距 3.6 至 7.4 个百分点，平均 5.81。作者指出聚合分数会以模型相关的幅度高估遵循程度。
- 论文论文追踪
AMS 工具通过激活分析检测语言模型的安全训练改动
研究者提出 AMS（Activation-based Model Scanner），通过测量激活空间中安全相关概念的几何结构来检测语言模型的安全训练改动。安全训练会在有害与良性内容类别间形成可测量的分离，部分安全改动会破坏或旋转这一结构，另一些则保持不变。作者在 Llama、Gemma、Qwen、Mistral 四个架构家族、14 个模型配置和四类安全改动（指令微调、基座、abliterated、无审查微调）上验证 AMS，阈值留一交叉验证准确率为 71%（10/14），sigma 点估计的 bootstrap 95% 置信区间中位宽度为 3.4 sigma。在每模型 20 条分层 JailbreakBench 提示上的行为合规测试显示，有害内容概念的 sigma 可预测合规程度，Pearson r = -0.546（p = 0.043），方向一致但噪声明显。
- 论文论文追踪
SkillSafe-Bench：技能合并模型静态安全无法预测自适应越狱鲁棒性
研究者提出 SkillSafe-Bench，在合并方法、迁移技能、基座模型与合并系数的受控网格上同时评测静态拒答、自适应越狱鲁棒性和能力保留，采用 HarmBench 分类器与 Llama Guard 3 的双评审 AND 规则。在六个开源基座（五个模型家族、两种规模）上，静态安全无法预测自适应鲁棒性：静态筛查下同样安全的 Qwen2.5-7B 与 Llama-3.1-8B，在语义模板攻击下 Qwen 的数学技能合并模型被越狱 66%–76%，Llama 为 22%–24%；Gemma-2-9B 静态最安全却被越狱 60%，Phi-4-mini 保持鲁棒。研究还发现合并的静态安全效应取决于基座对齐强度，并提出无数据的几何信号，即任务向量与安全子空间的重叠度，可区分同配方的消融式拒答移除与真实技能，进而给出 SubSafe-Merge 投影方法，在保持能力的同时消除这类侵蚀。
- 论文论文追踪
研究审计 9 个视觉语言模型：中文提示下国家立场改写率约为英文的三倍
研究者构建了覆盖十类政治敏感话题的 200 张图像基准，对 9 个视觉语言模型（7 个中国来源、2 个非中国来源）在四种提问范式和两种提示语言下运行 21708 次试验，由两个前沿 LLM 评审按六个维度逐条标注，并在 200 条样本上与三名人类专家验证。结果显示，中文提示下出现国家立场改写的几率约为英文提示的 3.67 倍，且在每个模型内部都成立；中国来源模型的改写率高于非中国模型，方向在两个评审和人类标注者间一致，幅度随评审不同在 1.6 至 3.2 倍之间。改写集中在文本提及敏感主体的条件下（36.5%），仅给图像时为 9.8%；在四代 Qwen 多模态模型上，显式拒答下降而国家立场改写上升，改写以替换和委婉语为主，且不含拒答关键词，关键词检测方法难以发现。
- 论文论文追踪
论文揭示多智能体委派结构放大 LLM 安全风险
一项针对 6 个前沿 LLM 的研究提出「委派失配」现象：在单智能体下会拒答有害请求的模型，一旦被放入主智能体向子智能体分派任务的层级结构中，端到端危害显著上升。研究在 49 个可操作分解的有害任务上设置三种条件（单智能体、主从委派、带工具的委派），DeepSeek-V3.2 的完整执行率从单智能体的 30.6% 升至委派下的 77.6%，引入工具后恶意工具调用率达 65.3%；GPT-5 作为单智能体完整执行 22.5%，作为子智能体时升至 61.2%。作者将机制归为两类：主智能体的责任扩散，以及子智能体的角色偏见顺从。消融实验显示单层防御均不足甚至反噬，例如问责追溯把 DeepSeek 的有害委派从 65.3% 降到 6.1%，却把 GPT-5 的完整执行率从 36.7% 推高到 53.1%。
- 论文论文追踪
研究者利用加密推理块跨模型兼容性窃取专有 LLM 推理链
研究者发现 Anthropic、OpenAI、Google 的 API 把思维链以加密块形式交给客户端回传，这些加密块在同一厂商生态内可跨会话、跨用户、跨模型复用。他们把强模型的加密推理块注入同厂商较弱、防护较松的模型（如 Claude Haiku 4.5、GPT-5.6 Luna、Gemini Robotics 1.6），迫使其逐字转写明文，从而在不直接越狱强模型的情况下提取其推理链。该漏洞衍生四类攻击：绕过反蒸馏机制窃取专有推理、从公开会话日志中大规模提取隐私数据、通过隐藏推理通道获取有害信息、以及在加密块中植入不可见的提示注入。研究者在 GitHub 和 Hugging Face 抓取 6,708 条公开 Agent 轨迹，解码出 315,320 条推理链，恢复 367 项 PII 和 182 项凭据，其中真实用户会话包含 62 个 API key、33 个密码和 30 个邮箱。
- 论文论文追踪
论文提出 AI 安全设计保障架构：结合 Scientist AI 模型级监督与系统级控制
一篇获邀发表于 IEEE Software 2027 年 1 月刊的论文提出"安全设计"（safety-by-design）保障架构，将 Scientist AI 等模型级监督与系统级控制相结合。该架构覆盖 scaffold 与 harness 控制、独立验证、监控和证据基础设施，并由治理机制支撑问责与证据互操作。作者指出，事故表明 AI 安全失效往往出现在多个层面。
- 论文论文追踪
aiXamine：跨维度评测 LLM 安全、安全（security）与隐私权衡
研究者提出 aiXamine，一个统一黑盒评测平台，把 LLM 的安全、安全（security）与隐私当作相互依赖的属性来评估。平台通过自动化红队流程编排 9 项服务上的 46 个测试，生成从提示词级诊断到跨服务权衡分析的分层风险画像，可在相同条件下复现对比闭源与开源权重系统。作者用 aiXamine 测试了 120 多个 LLM、超过 5000 次测试运行，发现三种单轴评测看不到的跨维度现象：更强的对齐会系统性提高过度拒答，形成可量化的安全税；隐私与其他可信维度近乎正交，标准对齐无法覆盖；无 on-policy 校正的 off-policy 知识蒸馏会导致熵坍缩，在同一基础架构上把鲁棒性从 56.9 降到 2.6。
- 论文论文追踪
用强化学习训练对齐审计员：成对奖励加校准让 Haiku 4.5 追平 Opus 4.6
研究者用强化学习训练 Claude Haiku 4.5 充当对齐审计员，最佳配置在自建四维审计评测上的综合分达到 48.7，与 Opus 4.6 的 48.4 基本持平，未训练的 Haiku 4.5 为 44.2。训练环境让审计员调查通过 system prompt 植入隐藏行为的靶模型，由知晓隐藏行为的 LLM 裁判将审计过程与参考审计做整体比较，给出成对奖励；同时混入无植入行为的靶模型做假阳性校准。消融显示成对奖励比逐点奖励训练更稳健，加入无植入行为的靶模型有助于把假阳性率压在 1% 以下。直接针对生产模型训练或使用二值奖励都会出现奖励作弊，前者假阳性校准崩塌到约 96%，后者让审计员转向激进、操纵式的提问。在 AuditBench 经 KTO 微调的对抗性靶模型上换用 Claude Code 脚手架评测，最佳检查点的 STC 检出率从基线 11.5% 提升到 28.1%。
- 论文论文追踪
研究提出「静默修订率」：前沿 AI 安全框架 67% 实质变更未在开发者说明中披露
研究者提出「静默修订率」（silent revision rate），即安全框架承诺的实质变更中未被开发者自身说明所披露的比例，并发布带版本与哈希固定的语料库。语料覆盖 12 家发布安全框架的开发者的全部公开版本及各自的 changelog、redline 或公告，追踪 12 组连续版本对之间的 710 条承诺实例，其中 244 条逐条裁定。结果显示，严格标准下 67%（95% CI 62–72）的实质变更属静默，宽松标准下为 53%，按章节粒度降至 49%；叙述式公告的静默率为 74%，逐项 changelog 为 63%，而说明的篇幅字数几乎不影响结果。77% 的追踪变更削弱或移除了某项承诺，且在 8 组版本对中有 7 组削弱比加强更常被静默处理。
- 论文论文追踪
研究审计 Active Inference Agent 的 LLM 解释器失败模式
研究者审计了作为运行时监督的 LLM 解释器本身，将一个追踪德国电网需求并调整发电的 Active Inference（AIF）Agent 与 GPT-4o、Claude-3-Opus、Gemini 三个后端的解释器配对，用三种黑盒触发器探测。每步向观测流注入 600 MW 扰动使 Agent 后验偏移 490 MW（约占电网容量 0.9%），注入期间产生的 30 条解释均未按给定标准标记异常，且都流畅地叙述了被污染的信念。在 Agent 采取客观错误动作的时间步上，三个解释器有 80-95% 的概率给出谄媚式合理化（每个后端 n = 20）。观测元数据字段中攻击者可控文本能操纵解释器，易感程度因供应商而异，数据外泄在三个后端上均成功。作者为每种失败提出缓解措施但未做评估，并指出解释器架构中没有任何环节在操作者据此行动前检查解释是否真实。
- 论文论文追踪
研究：内部探针何时优于读答案，区分阈值失准与行为隐藏知识
一项 arXiv 论文研究了一个 0.6B 语言模型在验证 1200 条逻辑结论时全部回答 YES 的现象，行为层面无法区分有效与篡改结论，但对其隐藏状态的线性探针能以 0.96 AUC 读出正确判断，并可迁移到未见逻辑结构。作者定位主要失败原因是单一标量：判断信息保留在模型自身输出 logits 中（margin AUC 0.89），但决策阈值饱和并偏移 +4.6 sigma 将其抹去。该诊断在五模型三家族的 90 种语义标签配置中成立，行为准确率随阈值偏移呈单一函数关系（Spearman -0.93），而 margin 排序变化小得多；在 13 倍规模范围内，内部知识饱和而自由形式行为非单调，8B 模型因答案通道失败而不及 4B 同门，强制选择准确率则单调。
- 论文论文追踪
论文发现安全监控器主要拦截模型本就会拒答的请求
Sripad Karne 的论文测量了安全监控器在目标模型实际会作答的请求上的召回率，发现四款文本护栏、两个激活探针和 Latent Guard 在 1% 假阳性率下，对模型会拒答请求的召回率是模型会作答请求的 1.1 到 6.4 倍，而 AUROC 多数仍在 0.85 以上，标准指标掩盖了这一差距。研究基于 647 条有害请求（来自 Aegis 2.0、HarmBench、StrongREJECT），每条改写成间接、直接、直白三个显式程度版本且意图经 LLM 与人工核验；Gemma-4-31B-IT 在直白版本只答 12 条，在间接版本答 340 条，相差 28 倍，其中 344 条翻转请求里各护栏漏放 153 到 321 条。作者把原因追溯到显式程度本身：模型与护栏内部的危害读数都随措辞变软而下降，沿显式方向对 Qwen3Guard 做激活引导可把标记率从 26% 推到 100%。