Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
Agent safety · Papers
Found 17 papers实现 DEFER，以确定性检查优先拦截多智能体流水线的内容攻击
- Published
- Evaluated models
- Qwen3-235B-A22B-Instruct-2507, gpt-oss-120b, Llama-4-Scout-17B-16E-Instruct and others5
AbstractDEFER 把确定性检查放在 judge 之前。
DEFER 用来测量多智能体授权流水线里，确定性规则在何处结束、LLM judge 从何处开始。
构建 BazaarBench，评测 C2C 市场中 Agent 的违规与失信行为
- Published
- 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。
用均值场博弈分析多智能体集体攻击何时不是均衡
- Published
提出 A2A-TIBA，经 A2A 对等任务间接注入并植入常驻回调
- Published
- Evaluated models
- MiniMax-M3, deepseek-v4-pro, glm-5.3 and others8
AbstractA2A-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 FlowReview，用授权配对与确定性提交门控控制多智能体组合信息流
- Published
- Evaluated models
- Sonnet 4.5, Haiku 4.5, Qwen3-32B and others5
Abstract配对标准要求拒绝禁止使用并完成授权使用，FlowReview 把三项审查接到执行。
这篇工作把多智能体安全写成一件必须同时成立的事：拦住组合信息所启用的禁止使用，并完成同一场景里任务所需的授权使用。
提出 RSI-Master，约束自主后训练实验动作并结构化探索以防奖励作弊
- Published
提出 AttestChain，将供应链安全智能体报告签名上链并据此控制发布
- Published
- Evaluated models
- GPT-class LLM
AbstractAttestChain 将智能体报告与链上发布门控结合，现有证据来自受控合成构建的总体结果。
AttestChain 是一个把 LLM 安全检查、智能体身份验证和许可链发布策略连接起来的软件供应链防御框架。。
提出身份绑定且委托只衰减的能力令牌，用上下文外钱包约束智能体
- Published
Abstract用只衰减的身份绑定令牌和上下文外钱包，约束代表人类行动的分布式智能体。
代表人类行动的分布式智能体，需要一种不把密钥放进语言模型上下文的授权方式。
提出多智能体系统提示注入的威胁模型与四层架构防御
- Published
- Evaluated models
- GPT-4o (2024-08-06), Claude 3.5 Sonnet, Llama 3 70B-Instruct
用任务绑定令牌和策略预言机拦住多智能体流水线的未授权执行
- Published
- Evaluated models
- gemma4:31b-cloud
Abstract结构性授权拦住了记忆投毒的未授权执行，持密钥时承重的是策略预言机。
作者在一条会改写沙箱邮件库的四智能体流水线上，检查低权限失陷会不会变成未授权的真实动作。
提出 k-robust 联盟对齐，刻画误对齐评审下的安全委托授权
- Published
Abstract联盟覆盖使无个体对齐的评审面板仍可相对基线安全授权，数值分数改善完备性。
委托授权的安全不要求每位评审者对齐，而要求面板在效用空间覆盖委托人。
提出以协调情节为单位遏制智能体协同入侵的准则
- Published
Abstract立场是跨执行保留关系并约束共享状态。
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
- Published
- 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。
提出 Skill-as-API，隔离多智能体协作中的 skill 正文与系统提示词
- Published
Abstract协议把 skill 正文留在所有者侧，四层限制发现内容、权限期限和注入拼接。
Skill-as-API 是面向智能体软件工程的协调协议，用来在跨组织调用时把 skill 的代码和系统提示词留在所有者进程。作者针对三条威胁：经通道或命名空间抽取专有方法，用注入让被调用模型输出系统提示词，以及协作结束后权限继续保留。
提出多智能体输出与跨部署方委派的两层存证
- Published
Abstract两层证明记录放出字节与边授权。
部署方侧的两层证明，用来在多智能体跨部署方委托之后回答两个事后问题：谁放出了这些字节，这条跨部署方边有没有父方授权。
提出 MasDrift，评测多智能体在良性任务中的授权保持
- Published
- Evaluated models
- DeepSeek V4 Flash, Qwen3.7 Plus, GPT-5.4 Nano and others6
Abstract授权保持可被测量：层级用未授权动作换完成率，重锚定比沿链携带更稳。
MasDrift 把多智能体设计中的授权保持做成可测量性质，对象是没有攻击者的普通委托。
建模并利用多智能体网络中子智能体生成时的记忆继承漏洞
- Published
- Evaluated models
- MiniMax M2.5, Llama-4-Maverick-17B-128E-Instruct-FP8, Qwen3.5-Plus and others5
Abstract形式化子智能体继承，在 OpenClaw 上演示四类编排层漏洞并提出防御。
作者对多智能体网络里的子智能体继承做形式化分析，并用开源框架上的 PoC 演示编排层如何让单点妥协继续扩散。
You have reached the end