Translation in progress Some entries still include text in the original language.
Oct 13 · Tuesday
Agent safety · Papers
Found 8 papers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
- Published
- Evaluated models
- Qwen3-235B-A22B-Instruct-2507, gpt-oss-120b, Llama-4-Scout-17B-16E-Instruct and others5
AbstractDEFER 把确定性检查放在 judge 之前。
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 VAL 框架，并用确认门与参数沙箱约束智能体高风险工具调用
- Published
- Evaluated models
- DeepSeek-chat, Meta Llama 3.1 8B, Kimi
测试编程智能体被诱导或自主篡改自身执行轨迹的行为
- Published
- Evaluated models
- GPT-5.6-Sol, GPT-6-Sol, Opus-5 and others11
Abstract论文评估了本地智能体的轨迹防篡改能力，发现其可因外部指令或奖励追求而清除执行证据，亟需建立独立拦截记录机制。
这是一项针对本地大模型智能体执行轨迹完整性与安全防篡改边界的实证研究。
提出移动 Agent 轨迹审计器 MATE，判断轨迹是否违反可编辑安全策略
- Published
- Evaluated models
- MATE-0.5B, MATE-1.5B, MATE-3B
AbstractMATE 用合成轨迹微调轻量审计器，在可编辑策略下判断移动智能体轨迹是否违规并给出解释。
MATE 是面向移动 GUI 智能体的轻量策略条件轨迹审计器，在给定自然语言安全策略时判断轨迹是否违规并解释原因。
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
提出 AgentKernel，用四支柱强制中介 Agent 的输入、工具与记忆
- Published
AbstractAgentKernel 是四支柱智能体 OS 设计，安全论证未附带实测数字。
AgentKernel 是把安全做成组织原则的智能体 OS 架构，不是带跑分的攻防评测。
提出 ClawSentry 多层监控网关，在技能准入和运行时拦截恶意技能与隐藏指令
- Published
- Evaluated models
- Codex/GPT-5.4, Codex/GPT-5.5, Claude Code/GLM-5.1 and others6
AbstractClawSentry 用包准入、三级运行时门控和反绕过，压低 skill 攻击并保住干净任务。
ClawSentry 是挂在智能体运行时之外的安全监督网关，用来同时盖住 skill 执行的多个生命周期边界，并把已被拒绝的效果记到会话里。
提出 Janus 前瞻守卫，在长程智能体执行有害动作前拦截潜在风险
- Published
- Evaluated models
- Vanguard
You have reached the end