Translation in progress Some entries still include text in the original language.
Oct 13 · Tuesday
All papers Found 22 papers Another 227 papers do not have category tags yet and are not included in filtered results.
“
About this collection Collection in progress We are building a large AI safety paper collection to help researchers find work related to their interests. Papers are collected automatically andfiltered only for relevance to AI safety , without judging quality, novelty or reading value. The default “Annotated first” shows papers with tags or published paper analyses first. Each group is ordered by original publication date, newest first, with undated papers last. “Newest first” uses publication dates only. This order is not a quality ranking.
One-line summaries, tags and paper analyses are prepared by AI from the papers. Language models may have systematic biases and produce hallucinations.We plan to carry out human annotation and review to reduce errors in this content.
Proposes LGWM, using an action-conditioned world model to verify GUI agent screen transitions.
Published Oct 8
Evaluated models LGWM 提出 Inspect Robots，在真实机器人上评测具身模型的能力与拒答
Published Oct 5
Evaluated models Astra（GPT-6 Astra） , GPT-6 Sol , GPT-5.6 Sol and others7 提出 ControlPed 与 HazardPed，生成可控行人危险场景并评测端到端驾驶
Published Oct 5
Evaluated models DiffusionDrive , SSR , VAD and others7 评测文本守卫与激活探针能否拦住机器人隐含伤害指令
Published Oct 5
Evaluated models π0.5 , OpenVLA-OFT , Llama Guard 3 and others10 提出 CrashSim 用真实事故先验引导扩散仿真并构建 nuCrash 评测自动驾驶规划器
Published Oct 3
Evaluated models Lane-graph planner , PDM-closed planner , IL planner and others5 Abstract CrashSim 迁入真实事故先验生成场景。CrashSim 用检索到的真实事故先验引导扩散式多车仿真，为自动驾驶安全评测生成碰撞与近碰撞场景。 。
提出 SceneFactory-3D，用路况反事实评测驾驶策略的闭环安全性
Published Oct 2
Evaluated models Frozen L0 , L0-T , L1 and others5 Abstract SceneFactory-3D 固定场景只改路况。SceneFactory-3D 是 GPU 批处理的多智能体驾驶仿真器，用来在场景和控制器固定时只改路面物理，并比较闭环结果。
提出 Control OSWorld，评测失准 GUI Agent 的监控
Published Oct 2
Evaluated models Claude Sonnet 4.6 , Claude Opus 4.8 , GPT-5.2 and others6 提出 OSWorld-Science 基准，评测计算机使用智能体完成科学软件工作流的能力
Published Sep 30
Evaluated models Claude Fable 5.1 , Claude Opus 5 , Claude Sonnet 5 and others12 提出 DrivingBench，评测通用视觉语言模型能否闭环驾驶真车
Published Sep 30
Evaluated models GPT-6 Astra , Claude Fable 5.1 , Grok 4.6 and others4 Abstract 仅 Astra 第二次跑完低速锥桶路线。DrivingBench 评测通用 VLM 能否自己闭环开真车，推理延迟也算进任务。
提出 EngiWorld 基准，评测 Agent 在专业工程软件中走完设计闭环的能力
Published Sep 29
Evaluated models Claude Opus 5 (Max) , GPT-5.6-Sol (XHigh) , Qwen 3.8 Max and others7 用 DIBench 评测移动 GUI 智能体被 UI 注入后的决策完整性
Published Sep 29
Evaluated models Qwen2.5-VL(32B) , Qwen3-VL(32B) , GUI-Owl(32B) and others7 Abstract 论文提出移动智能体决策完整性基准 DIBench，发现欺诈 UI 注入诱导目标选择并推高完成率，通用防御收益不稳定。
提出 NAVSAFE-∞ 写真闭环基准，评测端到端驾驶策略的闭环安全
Published Sep 22
Evaluated models LTF , DiffusionDrive , DrivoR and others13 Abstract 写真事件级闭环基准显示开环高分不能稳定变成闭环安全。NAVSAFE-∞ 用写真、事件级闭环仿真检查端到端驾驶策略的安全，而不是只看开环轨迹分数。
提出 OSWorld-Pro，用顺序子目标过程评测计算机使用智能体
Published Sep 22
Evaluated models Claude Opus 5 Max , Claude Opus 4.8 Max , Claude Opus 4.7 Max and others14 Abstract OSWorld-Pro 用顺序子目标评测 CUA，并标出点击失误与无关动作。OSWorld-Pro 是一套计算机使用智能体的过程评测，用来补充只核对最终交付物的 OSWorld。
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 Sep 19
Evaluated models MATE-0.5B , MATE-1.5B , MATE-3B Abstract MATE 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。
提出 SafeStage 基准，分阶段评测视觉语言机器人操作的物理安全
Published Sep 18
Evaluated models π0.5 , GR00T N1.7 , DreamZero and others4 提出 SafeRLEval，用越界率与代价偏差评测安全强化学习
Published Sep 14
Evaluated models PPO-Lag , P3O , FOCOPS Abstract SafeRLEval 用越界率、归一化偏差和安全等级补充 E[C]≤d，并要求同时看贪心部署。Spoor、Plaat 与 Moerland 认为，安全强化学习沿用 CMDP 的 E[C]≤d，只报告平均是否安全，看不出越界频率和幅度，也分不清训练期、带探索噪声的最终策略和贪心部署策略。他们提出评测框架 SafeRLEval ：越界率 V、按安全界归一化的平均代价偏差 Dnorm、只在越界回合上计算的归一化幅度 Dnorm+。用 IQM 跨任务和安全界聚合。
提出 ConflictGuard，引导 GUI Agent 在冲突指令下终止执行
Published Sep 3
Evaluated models UI-Venus-1.5-8B , UI-TARS-1.5-7B , OS-Atlas-Base-7B and others10 Abstract ConflictGUI 暴露 GUI 智能体的执行偏向过度服从，ConflictGuard 用条件转向提高冲突终止率。ConflictGuard 用推理时的可行性核验和条件激活转向，让 GUI 智能体在指令不可行时终止，而不是盲执行。
提出 SYNCHAIN，诱导计算机使用 Agent 自建跨任务持久攻击链
Published Aug 7
Evaluated models Qwen3.5-9B , Llama-3.1-8B , Ministral-3-8B Abstract 论文揭示了 CUA 自合成工件带来的内部供应链威胁，验证了潜伏载荷的跨任务传播能力与防御局限。
提出 HazardArena 基准，用孪生场景评测 VLA 的语义安全
Published Apr 14
Evaluated models OpenVLA-OFT , π0 , NORA and others4 Abstract safe-only 微调提升良性执行，也提升匹配不安全孪生上的危险完成。HazardArena 评测 VLA 在运动要求不变时，能否因语义风险而停手。
提出 AgentHazard 基准，评测计算机使用智能体的执行层有害行为
Published Apr 3
Evaluated models Qwen2.5-72B-Instruct , Qwen2.5-Coder-32B-Instruct , Qwen3-32B and others12 Abstract AgentHazard 评估了计算机使用智能体的执行安全，作者认为模型层对齐无法可靠保障智能体层面的安全性。AgentHazard 是针对计算机使用智能体执行层安全构建的评估基准，重点探究多步工具调用下局部合理动作累积引发的危害。