Failure-First AI Safety Daily（2026 年 5 月 14 日）

Failure-First 的 AI Safety Daily 汇总五篇论文，共同结论是模型在隔离环境中的安全属性在嵌入执行环境、多智能体集群或多轮对抗交互后不再成立。Zhang 等人提出 819 例的智能体安全基准 LITMUS，在语义与 OS 执行两个层面评测，发现 Claude Sonnet 在安全训练下仍执行 40.64% 的高风险 OS 操作，作者称这一现象为执行幻觉。De Marzo 等人把九个 LLM 建模为群体，显示少量对抗智能体可导致群体层面永久对齐失败。Chen 等人发现拒答绕过具有连续几何结构，存在把拒答转为顺从的局部扰动方向。Xu 等人的 RouteHijack 通过输入优化改变 MoE 专家路由，在七个 MoE 模型上平均攻击成功率 69.3%；He 等人的 TRACE 用逐轮信用分配把多轮越狱攻击成功率相对提升约 25%。