AdvSim2Real 用任务与注入对手共同演化训练网页智能体
提出 AdvSim2Real,协同训练网页智能体抵御页面注入
- arXiv
- 2610.08773
- Published
- Layer
- Application layer
- Setting
- web agent
- Evaluated models
- Qwen3.5-4B
- DefensesModel hardening
- AttacksPrompt injection
Another 265papers do not have category tags yet and are not included in filtered results.
提出 AdvSim2Real,协同训练网页智能体抵御页面注入
提出 RAG-PIBench,评测 RAG 上下文中提示注入检测器
实现 DEFER,以确定性检查优先拦截多智能体流水线的内容攻击
DEFER 用来测量多智能体授权流水线里,确定性规则在何处结束、LLM judge 从何处开始。
提出 RAISED 自蒸馏,训练工具智能体抵御间接提示注入
提出 AgentSpy,在系统调用层观测 Agent 行为并检测技能注入
本研究提出了面向 AI 智能体的系统级外部监控与行为分析框架 AgentSpy。
提出检测、结构化与 GSPO 流程,降低共识生成的提示注入错位
这是一篇把 LLM 数字孪生放进增强民主的博士论文,分个体表示、政党聚合和共识生成的提示注入三章。
提出 SRFT,让 Agent 从失败经验中学习拒绝提示注入
提出 SecJev,用场景加权训练把决策模型适配为安全类型化判断
SecJev 是 0.8B 到 9B 的安全决策模型族,作者称据其所知是首个面向安全的 Jev-like 家族。
提出 ASA 与 AttestMCP,度量并降低 LLM 对输入序列扰动的敏感
重测提示注入检测器在 Agent 工具输出上的检出与任务阻断
Abstract论文揭示公开基准无法反映智能体检测器表现,检测能力源于输入格式相似而非通用防御,建议基于工具输出与低误报评测。
提出 CorrGRPO,用 Pearson 相关归一化多奖励优势
CorrGRPO 是 GRPO 的多奖励变体:组内优势的分子仍是中心化总奖励,分母改为 Pearson 相关之和,避免大尺度奖励主导归一化。
提出协同演化防御 CoDeL,抵御智能体的间接提示注入
提出 TACIT,从冻结内部状态检测智能体有害轨迹
Abstract提出基于内部表征的智能体轨迹安全检测方法 TACIT,揭示工具风险表征特性并在多项基准上提升检测表现与效率。
提出面向邮件 Agent 的攻击链提示注入检测框架
这是一项邮件智能体提示注入防御的离线建模与评测研究:作者把攻击文本是否恶意、攻击是否推进到工具操作、最终参数是否达标分开处理。
提出 RLCDAlignBench,零样本检测多种对齐失败
RLCDAlignBench 测量用强化学习做校准决策的 Jev,能否当作对齐失败的零样本检测器。
提出条件触发的爆炸提示词,并设计摄入期检测器 DeFuse
论文针对大语言模型智能体面临的间接提示注入威胁,研究了利用条件句式实现时间分离的爆炸提示词。
提出 Provenance-Aware Transformers,隔离不可信来源防御间接提示注入
提出 ATF 与 NTR,过滤或恢复工具集以阻止 Agent 调用攻击工具
提出 PIDS-Bench,评测提示注入检测器在过度防御与分布偏移下的表现
PIDS-Bench 是一个冻结的检测器级基准,用来在固定阈值下同时看提示注入检测和良性误报。
提出 ActGuard 执行前动作审计,定位并遮盖间接提示注入的恶意片段