研究评测 32 个 LLM 的代码功能与安全差距：新模型更安全但无一消除差距
在 CWEval 上跟踪代码生成的功能-安全差距
- arXiv
- 2610.08240
- Published
- Layer
- Model layer
- Setting
- coding agent
- Evaluated models
- Gemini 1.5 Pro, Gemini 2.5 Pro, Gemini 3.1 Pro and others20
Abstract绝对安全性上升且差距仍在，开放权重并不分开各家族的轨迹。
All papers
Filter3
Impact
Select any value within a category; different categories must all match. Counts include the other filters you have selected.Another 261papers have no tags yet and are not included in filtered results.
Another 261papers do not have category tags yet and are not included in filtered results.
BazaarBench：评估 LLM Agent 在去中心化 C2C 市场中的代理安全
构建 BazaarBench，评测 C2C 市场中 Agent 的违规与失信行为
- arXiv
- 2610.06748
- Published
- Layer
- Application layer
- Setting
- Multi-agent systems
- Evaluated models
- GPT-5.5, GPT-5.4, GPT-5.4-mini and others5
Abstract论文提出挂钩底层资产的 C2C 交易评测基准，发现时间压力与对抗指令显著推高了智能体的违规承诺与欺诈行为。
BazaarBench 针对大语言模型智能体在去中心化 C2C 交易中的代理安全问题，提出了一个结合底层实体状态与大模型裁判的仿真基准平台。
MADBench：多智能体辩论安全性评测基准发布
提出 MADBench，评测多智能体辩论是吸收还是放大对抗影响
- arXiv
- 2609.39146
- Published
- Layer
- Application layer
- Setting
- Multi-agent systems
- Evaluated models
- gpt-4o, GPT-5, GPT-6 Astra
- AttacksPrompt injection
- ComponentRAG
AbstractMADBench 显示辩论能吸收部分准确率攻击，同时放大未授权读写。
MADBench 是一个评测多智能体辩论安全性的基准，用来看攻击是被辩论吸收还是被放大。
Emergence World：对长时程多智能体系统开展对抗压力测试
提出 Emergence World，对长时程多智能体系统开展对抗压力测试
- arXiv
- 2609.17320
- Published
- Layer
- Application layer
- Setting
- Multi-agent systems
- Evaluated models
- Claude Opus 4.8, DeepSeek v4 Pro, Gemini 3.5 Flash and others9
- AttacksPrompt injection
- RiskMisalignment and value divergence
- ComponentMemory
Abstract作者通过长期平行世界实验指出模型对齐不具备可组合性，单模型群体会产生社会奉承、协同退缩及语言不透明等失效。
WolfSociety：金融智能体社会中有害智能体规模带来的集体风险
提出 WolfBench，测量金融智能体社会中有害智能体规模带来的集体崩溃
- arXiv
- 2609.05591
- Published
- Layer
- Application layer
- Setting
- Multi-agent systems
- Evaluated models
- DeepSeek V3.2, GPT-4.1, Qwen3-235B and others6
Abstract更大的金融智能体社会在更低有害比例上崩溃，但所需有害人数仍增加。
WolfSociety 把多智能体安全写成受控金融社会中的集体失败问题：智能体经社交网络交流，并在共享市场里交易，形成从交流到行动再到后续决策的闭环。
ForesightSafety-TIDE
构建 ForesightSafety-TIDE 评测欺骗对多智能体事实恢复的影响
- arXiv
- 2608.03421
- Published
- Layer
- Application layer
- Setting
- Multi-agent systems
- Evaluated models
- GPT-5.5, DeepSeek-v4-pro, Grok-4.5
多智能体协同过滤系统的连接性攻击与防御研究
复现 AgentCF 上的多智能体攻防并刻画连通性作用
- arXiv
- 2608.03272
- Published
- Layer
- Application layer
- Setting
- Multi-agent systems
- Evaluated models
- Qwen3-235B-A22B, Claude Haiku 4.5, Mixtral 8×7B and others4
- AttacksPoisoning and backdoors
- ComponentMemory
Abstract连通性沿 k 与ρ改变攻防，且用户/物品与早期/稳态需要分开看。
作者在 AgentCF 上研究连通性如何改变多智能体协同过滤的攻防，复现已有方法而不是提出新载荷。
LegalHalluLens：面向法律 AI 的分类幻觉审计与校准多智能体辩论
提出 LegalHalluLens，分类审计法律抽取幻觉并校准多智能体辩论
- arXiv
- 2606.18021
- Published
- Layer
- Application layer
- Setting
- LLM applications, Multi-agent systems
- Evaluated models
- gemini-3-flash, gpt-5.2, qwen3-32b and others5
Abstract作者称类型画像与 RDI 能区分聚合率相近的系统，辩论主要减少虚构检出。
LegalHalluLens 是一套法律条款抽取的审计框架，外加一个按审计结果校准的辩论缓解。。
研究复现五个前沿模型的包名幻觉：跨模型共同幻觉 127 个包名，53 个仍可被注册
复评前沿模型代码生成中的包名幻觉与抢注攻击面
- arXiv
- 2605.17062
- Published
- Layer
- Model layer
- Setting
- coding agent
- Evaluated models
- Claude Sonnet 4.6, Claude Haiku 4.5, GPT-5.4-mini and others5
Abstract评估显示前沿模型包幻觉率收窄但威胁仍在，作者识别出跨模型通用攻击面并呼吁联合防御。
Filtering the Noise: A Comparative Study of LLM Agents in Vulnerability False Positive Filtering
评测代码 Agent 过滤静态告警误报的能力
- arXiv
- 2601.22952
- Published
- Layer
- Application layer
- Setting
- coding agent
- Evaluated models
- Claude Sonnet 4, DeepSeek Chat, GPT-5
Abstract智能体可去掉大量 SAST 噪声，但收益随骨干和 CWE 变化，并会把部分真漏洞标成误报。
这是对三种 LLM 智能体框架过滤 SAST 误报的比较研究。
研究提出 CW-POR 指标衡量多智能体 LLM 辩论中的说服覆盖
提出 CW-POR 衡量多智能体辩论中修辞说服对事实判断的覆盖
- arXiv
- 2504.00374
- Published
- Layer
- Application layer
- Setting
- Multi-agent systems
- Evaluated models
- LLaMA 3.2B, Mistral 7B, Granite 3.2 8B and others5
Abstract作者用 CW-POR 把选错频率和置信合在一起，并称五款开源模型上修辞仍可压过事实。
作者用单轮对抗辩论和 CW-POR，观察同族评委面对事实性解释与错误辩护时是否选错，以及选错时有多确信。
You have reached the end