Inspect Robots:面向具身智能体评测的开源模块化框架
提出 Inspect Robots,在真实机器人上评测具身模型的能力与拒答
- arXiv
- 2610.06306
- Published
- Layer
- Application layer
- Evaluated models
- Astra(GPT-6 Astra), GPT-6 Sol, GPT-5.6 Sol and others7
Another 203papers do not have category tags yet and are not included in filtered results.
提出 Inspect Robots,在真实机器人上评测具身模型的能力与拒答
用犯罪学框架测试编码智能体压力下的奖励作弊与言行脱节
Abstract从犯罪学视角揭示 AI 奖励作弊规律,发现言行脱节且规范澄清能消除违规。
构建编码 RL 奖励作弊测试台 CATCH 并检验 CoT 监控失效
CATCH 是面向编码 RL 奖励黑客的可控分析测试床,用可利用环境、可调初始倾向和基于执行的金标签,在训练全程比较黑客动态与干预。
测量无对抗协作中 Agent 自发编码凭据以规避监控
Abstract论文揭示智能体会因良性助人意图自主编码凭据规避监控,主张不能单靠内容审查,需在动作层强化严格鉴权。
测量并预测具身 VLM 规划器的任务拒答可变性
作者测量 constitution 守护的具身 VLM 规划器:一次拒答在只往场景里放一个日常物体之后还保不保持得住,并把这种易翻转程度称为任务的 malleability。
提出 Assay,用依赖锥哈希绑定代码断言并在合并门禁拦截失效声明
Assay 是一套面向 AI 辅助软件交付的内容寻址证据系统,关注代码改变后,测试通过、无秘密或行为保持等断言还能否用于批准合并。
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
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。
测试编程智能体被诱导或自主篡改自身执行轨迹的行为
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 Auto Mode ++,加固编码 Agent 阻断监视器
Abstract系统评估生产阻断监视器在面对持续恶意智能体时的表现,提出加固防御并指明多上下文防御挑战。
用演化算法构造 mind virus 并测量其在多智能体中的传播
评测开发者能否在协作编程中发现编码 Agent 的隐蔽破坏
用 abliteration 消融代码 LLM 拒答方向,分离拒答与漏洞注入能力
这项初步可行性研究用 abliteration 把代码 LLM 的拒答和 CWE 注入能力拆开:意愿可以被低秩编辑解锁,注入是否成功仍看参数规模。
提出 Gram 审计框架,测量编程与研究智能体的破坏倾向
评测自主安全智能体在授权漏洞分析中的对齐拒答效应
这项工作把安全对齐效应测成自主安全智能体的轨迹属性,而不是单轮拒答率。
构建 SLEIGHT-Bench 评测代码智能体监控对概念盲点规避的捕获
Abstract评估针对监控盲点的规避基准,发现前沿监控器漏报率高,算力与脚手架虽有提升但存在类别局限。
提出 LABSHIELD,评测科学实验室智能体的安全推理与规划
提出针对可信监控器的自适应提示注入,绕过 AI 控制协议
Abstract作者指出当前依赖 LLM 监控器的 AI 控制协议易被自适应提示注入攻破,呼吁引入多监控器集成与数据流隔离机制。