AI Safety Daily：物理 AI 护栏缺口、越狱自适应防御与思维链暴露等五项研究

AI Safety Daily 汇总的五篇论文指向同一结构性缺口：AI 系统的表面安全状态与内部真实行为持续背离。综述（arXiv:2606.00090）称现有护栏均无法为物理 AI 提供完整的运行时授权边界；Membrane（arXiv:2606.05743）用对比式安全记忆、无需重训模型，在 HarmBench 与 AgentHarm 六类越狱攻击上取得最高 F1，良性拒答率 7–14%，而静态方法为 28–85%。