Skip to content

Translation in progress Some entries still include text in the original language.

Oct 12 · Monday

All papers

Found 8 papers
Filter3

Attack type

Prompt injection3

Impact

Harmful content9Unauthorized actions19Data and privacy leaks21Output manipulation71Availability and reliability8Oversight failure7

System type

Models and APIs35LLM applications4AI Agent51coding agent9web agent4Embodied systems and robotics12

Layer

Application layer7
Select any value within a category; different categories must all match. Counts include the other filters you have selected.Another 265papers have no tags yet and are not included in filtered results.
Impact：Availability and reliabilitySystem type：LLM applicationsSystem type：web agentClear all

Another 265papers do not have category tags yet and are not included in filtered results.

  3. Evaluation and benchmarksarXiv 2610.04691

    RAGStress：评测知识库退化下 RAG 鲁棒性的受控基准

    提出 RAGStress 受控基准，评测知识库退化下的 RAG

    arXiv
    2610.04691
    Published
    Layer
    Application layer
    Setting
    LLM applications
    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。

    Paper analysisRead analysis
  5. Evaluation and benchmarksarXiv 2609.19140

    AgentLSD：在对抗性任务污染下评测 AI 安全 Agent

    评测安全 Agent 在对抗性任务污染下的解题成功与开销

    arXiv
    2609.19140
    Published
    Layer
    Application layer
    Setting
    web agent
    Evaluated models
    Gemma-4 31B, DeepSeek-V4 Flash, GPT-OSS 120B and others6
    AbstractAgentLSD 用配对 web CTF 表明，欺骗性环境证据会改变安全智能体的解题率与工作量。

    AgentLSD 是一个对照框架，用来测量安全智能体在任务本身不变时，对对抗性任务污染的反应。

    Paper analysisRead analysis
  6. Evaluation and benchmarksarXiv 2609.15017

    PIDS-Bench：在过度防御、混淆与分布偏移下评测提示注入检测器

    提出 PIDS-Bench，评测提示注入检测器在过度防御与分布偏移下的表现

    arXiv
    2609.15017
    Published
    Layer
    Application layer
    Setting
    LLM applications
    Evaluated models
    TF-IDF + logistic regression, DistilBERT, DeBERTa-v3-FT and others7
    AbstractPIDS-Bench 显示高分布内 F1 仍会过度拦截外部来源的安全相关良性输入。

    PIDS-Bench 是一个冻结的检测器级基准，用来在固定阈值下同时看提示注入检测和良性误报。

    Paper analysisRead analysis
  7. Evaluation and benchmarksarXiv 2609.03221

    FairMedAgent：临床 LLM 智能体公平性审计中的随机噪声下限

    用 FairMedAgent 测量临床智能体在输入不变时的动作不稳定性下限

    arXiv
    2609.03221
    Published
    Layer
    Application layer
    Setting
    LLM applications
    Evaluated models
    claude-haiku-4-5, claude-sonnet-5, llama3.1:8b-instruct and others7
    Abstract先测同一输入下的动作不一致率，再用它解读人口学翻转率。

    FairMedAgent 把临床智能体公平审计里的采样噪声单独量出来：输入不变时动作仍会改变，这个比率就是解读翻转率的下限。。

    Paper analysisRead analysis
  8. Risky behaviorarXiv 2602.00851

    研究提出说服传播现象：无关说服性对话会改变 AI Agent 的任务执行行为

    测量任务无关说服对 Agent 编码与网页研究行为的影响

    arXiv
    2602.00851
    Published
    Layer
    Application layer
    Setting
    web agent, coding agent
    Evaluated models
    gpt-4.1-nano, mistral-nemo-12b, llama-3.1-8b
    Abstract任务无关说服会在轨迹上留下任务相关的行为痕迹，但立场易感性不能稳定预测其幅度。

    这篇工作测量一件事：与任务无关的说服进入对话之后，AI 智能体执行后面的编码或网页研究时，轨迹是否系统性不同，以及“更容易被说服”能否预测差有多大。

    Paper analysisRead analysis
You have reached the end