Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
All papers Found 49 papers Another 232 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.
构建统一奖励作弊检测基准 RH-Detect 并评测零样本检测器
Published Oct 8
Evaluated models Qwen 3.5 Flash , Gemini 3.1 Flash Lite , Grok 4.1 Fast and others7 评测多智能体在开放式科研任务中找回预设子发现的能力
Published Oct 7
Evaluated models Gemini 3.1 Pro , GPT-5.5 , Claude Opus 4.8 and others7 构建 MedDistract 基准，测量偶发信息对临床文书与推理的污染
Published Oct 6
Evaluated models GPT-5.4 , GPT-5.6 Sol , Claude Opus 5 and others9 提出 RAG-PIBench，评测 RAG 上下文中提示注入检测器
Published Oct 6
Evaluated models DistilBERT-base-uncased , DeBERTa-v3-base , MiniLM 提出手语转文本接入儿童安全过滤的部署前审计协议
Published Oct 6 Abstract 作者提议聋人知情的部署前审计，以检查手语转文本是否改变儿童安全决策。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。
构建 BazaarBench，评测 C2C 市场中 Agent 的违规与失信行为
Published Oct 6
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。
提出 RAGStress 受控基准，评测知识库退化下的 RAG
Published Oct 4
Evaluated models Claude Sonnet 4 , Claude Opus 4.6 , DeepSeek R1 and others5 Abstract 作者用 RAGStress 比较五系统。RAGStress 是知识库损坏下的 RAG 受控压力测试。作者明确不把它当作模型排行榜。
提出 MASBench，评测部分可观测下的多智能体协作机制
Published Oct 4
Evaluated models Qwen-Plus , GPT-5-nano , Gemini-2.5-Flash-Lite and others5 Abstract MASBench 以确定性指标比较部分可观测下的协作机制。MASBench 用部分可观测任务比较 LLM 多智能体的协作机制，而不是只看端到端能否做完。
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。
构建分子肿瘤委员会审计基准，测量临床过度拒答
Published Oct 1
Evaluated models GPT-4o (gpt-4o-2024-08-06) , GPT-4o-mini (gpt-4o-mini-2024-07-18) 提出面向 RAG 的证据优先发布框架 AGO，并评测评审 adherence 判别
Published Oct 1
Evaluated models gpt-4o , gpt-4.1-nano Abstract AGO 把缺失证据和评审误差写成显式发布状态，并要求按领域验证评审。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 A2A-TIBA，经 A2A 对等任务间接注入并植入常驻回调
Published Sep 30
Evaluated models MiniMax-M3 , deepseek-v4-pro , glm-5.3 and others8 Abstract A2A-TIBA 一次植入后绕过智能体，GDA 用四类结果定位防线，ELA-ITL 把信封标注列为第三层。A2A-TIBA 把间接提示注入和绕过放进 A2A：gray-box 攻击者已能投递任务，诱导目标部署常驻回调程序后，下令和外传不再经过智能体。
提出 RAIM，用交叉拟合堆叠聚合廉价评审检测幻觉
Published Sep 30
Evaluated models Llama , Qwen , Mistral and others10 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。
提出 MADBench，评测多智能体辩论是吸收还是放大对抗影响
Published Sep 30
Evaluated models gpt-4o , GPT-5 , GPT-6 Astra Abstract MADBench 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。
构建 RobustReview 评测 AI 审稿修辞鲁棒性，并提出 SciCore 双分支评审
Published Sep 30
Evaluated models GPT-5.5 , GPT-5-mini , Claude Sonnet 5 and others14 Abstract 修辞稳健性要求改写稳定且能区分论文。修辞稳健性被作者定为可信 AI 评审的一项独立要求：同一已报告科学内容换措辞后，科学判断应稳定，同时不同论文之间的区分不能塌掉。 。
评测多智能体 LLM 组织跨时代再创业及历史打分中的事后泄漏
Published Sep 29
Evaluated models Claude Opus 5.5 , Luna 6 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
Published Sep 28
Evaluated models jev-1.13.0 提出 ORBIT 框架，评测多智能体防御对合谋等威胁的效果
Published Sep 27
Evaluated models GPT-5.4 , Claude Sonnet 4.6 , Qwen3-235B and others5 Abstract ORBIT 用六层配置比较多智能体防御，逐动作监控不迁移到合谋。
提出 TRUSTFORK 基准，评测展示身份劫持多智能体编排权限
Published Sep 26
Evaluated models GPT-5.6-Sol , GPT-5.6-Luna , Kimi-K3 and others8 Abstract 论文提出了多智能体安全基准 TRUSTFORK，揭示展示身份如何劫持操作权威，并证明事后验证无法弥补已发生的执行破坏。
评测 RAG 中过期文档推翻模型原本正确回答的现象
Published Sep 25
Evaluated models GPT-4o , GPT-4.1 , Claude-Opus-4.5 and others13 Abstract 论文评测了陈旧检索推翻正确知识的中毒现象，并分析了其内部机制与防御局限。这篇论文是对检索增强生成（RAG）中“陈旧文档中毒”现象的实证与机理评估研究。