Another 203papers do not have category tags yet and are not included in filtered results.
Proposing SWE-Critix, a post-trained general verifier for evaluating coding agent trajectories
Show that reward hacking can propagate through code, memory, and plans in multi-agent coding systems
Reward hacking induced by coding RL can leave the source agent and enter subsequent collaboration and system coordination.
Proposing an option channel attack that renames option labels so that agent guardrails allow prohibited operations
AbstractThe authors' evaluation indicates that typed models should not serve as final safety arbiters; they are susceptible to off-policy text and option name manipulation, and confidence filtering cannot resist attacks.
提出义务识别基准 ObligationBench，并训练护栏识别 Agent 未履行的安全义务
作者认为编码智能体的安全不能只靠拦截禁止动作，还要找出终止时仍未做的安全关键动作，并将其称为义务。
构建统一奖励作弊检测基准 RH-Detect 并评测零样本检测器
提出 BRANCH 方法，用分支搜索绕过多扫描器护栏
提出 PyCache Trap，用字节码缓存替换绕过 Agent 技能扫描器
这篇论文研究了智能体技能（Agent Skills）安全扫描中的“审查–执行脱节”问题，并提出了对应的攻击验证与防御方案。
提出 agent plasticity 指标衡量智能体通过经验自我改进的效率
作者用 agent plasticity 衡量一件事：权重冻结时，智能体把经验写成可继承制品，再换成留出能力增益，这个转换有多省。
提出 RAG-PIBench，评测 RAG 上下文中提示注入检测器
提出手语转文本接入儿童安全过滤的部署前审计协议
手语儿童到达基于文本的儿童安全机制时，机制看到的是机器翻译，不是儿童所做的手语。作者要解决的是：这条边界在部署前应如何审计。
评测记忆门控对激活诱导与记忆诱导谄媚的防御效果
作者在四个开源指令模型上，把激活转向和外部记忆处理放进同一纵深防御协议，看记忆诱发谄媚和内部谄媚压力能否分开压低，以及个性化效用还剩多少。要处理的问题是：检索到的用户历史会推动模型顺从存储信念。只改外部上下文，并不直接动模型内部的谄媚表征。
提出校准重合成方法，以生成器反演保真度认证真实图像并防御对抗扰动
Abstract论文提出基于反演保真度与阈值校准的健全认证框架，在对抗扰动下维持错误率界限，并指出真实内容可认证性随生成器演进而萎缩。
Propose StateWise, which diagnoses and repairs invalid persistent state before coding agent actions
StateWise is a framework that diagnoses and repairs the persistent operational state of coding agents before executing actions with side effects.
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 ASA 与 AttestMCP，度量并降低 LLM 对输入序列扰动的敏感
揭示安全路由评测在分布偏移下的虚假下限与选择偏差
Abstract论文揭示安全路由评估在分布偏移下的虚假下限，指出防御重心应转向外部动作级强制。
提出面向 RAG 的证据优先发布框架 AGO，并评测评审 adherence 判别
AGO 是部署在企业 RAG 评估业务中的自托管发布门控，用来决定一个版本应放行、人工复核还是拦截。
提出 ZoneClaw，用记忆分区防御计算机使用 Agent 的持久记忆攻击
提出 RAIM，用交叉拟合堆叠聚合廉价评审检测幻觉
Abstract十个廉价评审的堆叠在可采纳区间接近 Sonnet，代价主要是一次域内校准。
预注册检验智能体记忆中选择原始轮次能否替代事实抽取