Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Agent safety · Papers
Found 7 papers评测编码智能体 harness 安全机制在对抗任务中的防护效果
- Published
用配对回放评测任务范围授权能否阻断越权工具执行
- Published
- Evaluated models
- Llama 3.2 3B Instruct Q4 K M, Qwen3 4B Instruct, Gemma 3 4B and others8
提出 A2A-TIBA，经 A2A 对等任务间接注入并植入常驻回调
- Published
- Evaluated models
- MiniMax-M3, deepseek-v4-pro, glm-5.3 and others8
AbstractA2A-TIBA 一次植入后绕过智能体，GDA 用四类结果定位防线，ELA-ITL 把信封标注列为第三层。
A2A-TIBA 把间接提示注入和绕过放进 A2A：gray-box 攻击者已能投递任务，诱导目标部署常驻回调程序后，下令和外传不再经过智能体。
提出 CAVE-BENCH，评测智能体在虚假指责下破坏已完成的正确工作
- Published
- Evaluated models
- Claude-Sonnet-5, Claude-Opus-5, GPT-5.6-Sol and others14
Abstract论文提出了评估智能体在虚假指责下破坏已有正确成果的 CAVE-BENCH，发现强模型易推翻已知证据，提出了门控缓解方案。
用 FARSIGHT 方案级评测金融 LLM 交易 Agent 的稳健性与安全失败
- Published
- Evaluated models
- ChatGPT Deep Research
构建自演化基准 ActBench，评测协作智能体的行为安全
- Published
- Evaluated models
- Claude-Opus-4.8, Claude-Sonnet-4.6, GPT-5.5 and others15
AbstractActBench 通过自演化搜索与双证据重构评测轨迹行为安全，揭示基础模型决策差异主导了协同智能体的操作风险。
提出 OpenSec，评测事件响应 Agent 在对抗证据下的遏制校准
- Published
- Evaluated models
- GPT-5.2, Claude Sonnet 4.5, Gemini 3 and others5
AbstractOpenSec 以执行评分测 IR 智能体在对抗证据下是否过度遏制，作者称缺口在克制。
OpenSec 用 dual-control 事件环境测量 IR 智能体在对抗证据下的校准：分数看实际遏制，不看报告文本。
You have reached the end