Another 265papers do not have category tags yet and are not included in filtered results.
Using FIBS to train white-box probes to monitor agent sabotage behavior and undisclosed deception
提出 DFI 与 DFC 蒸馏，定罪隐瞒失配的教师或安全提取能力
Abstract概括了论文针对隐瞒失配模型提出的 DFI 与 DFC 机制、主实验发现及适用边界。
提出基于决策前隐藏状态的检测与引导，预测并抑制智能体欺骗
Abstract论文展示了智能体自发欺骗可在行为显现前由内部表征预测，并通过激活引导证实了表征的行为可操作性。
系统评估循环语言模型加深 loop 后的 CoT 可监控性
这项工作评估 LoopLM 的 CoT 可监测性：加深共享层的重复次数，以及“有循环结构”本身，会不会让决策关键因素更少出现在可监测文本里。
提出 Control OSWorld，评测失准 GUI Agent 的监控
提出 FBS Debate 协议，使诚实为占优策略且最坏情况正确
FBS Debate 是一套可扩展监督的辩论规则：两名计算方争论一个可递归分解的是非问题，人类只在最后选出的子问题上做黑盒判断。要处理的缺口是，prover-estimator debate 虽能覆盖稳定分解，但只在输入分布的平均意义下成立，而且 Bob 的获胜策略一般要跟着 Alice 的作弊策略变。作者要在同一问题类上，让每个错误实例都能被抓住，并让诚实且正确成为双方的占优策略。
分析隐蔽推理在思维链监控下的信息足迹下界与不可读性
Abstract论文从理论与实证探明了思维链监控的边界：复杂隐蔽计算必然泄露信息足迹且需承担长度税，但该足迹可被在线加密而不可读。
提出免参考探测 PIR，从激活读出被隐瞒答案并区分擦除
Abstract论文提出免参考内部识别探测 PIR，划分了隐瞒与遗忘的边界，为评估沙盒审计与遗忘真实性提供了内部依据。
提出 Auto Mode ++，加固编码 Agent 阻断监视器
Abstract系统评估生产阻断监视器在面对持续恶意智能体时的表现，提出加固防御并指明多上下文防御挑战。
用成对比较奖励与假阳性校准训练对齐审计模型
Abstract系统总结了强化学习训练对齐审计器的核心问题、成对奖励与校准方法及主要结果。
评测开发者能否在协作编程中发现编码 Agent 的隐蔽破坏
提出 Gram 审计框架，测量编程与研究智能体的破坏倾向
构建 SLEIGHT-Bench 评测代码智能体监控对概念盲点规避的捕获
Abstract评估针对监控盲点的规避基准，发现前沿监控器漏报率高，算力与脚手架虽有提升但存在类别局限。
提出 Meerkat，聚类并搜索 Agent 轨迹库以定位跨轨迹安全违规
Meerkat 是事后审计方法，用来在智能体轨迹仓库里找出单条看不出、合在一起才违反自然语言安全属性的见证。
提出自动化红队流水线，用系统提示词压测对齐审计能否抵御策略性欺骗
Abstract通过红队提示词揭示现有审计方法易受策略欺骗，并在激活层面诱导高置信度错误推断。
提出针对可信监控器的自适应提示注入，绕过 AI 控制协议
Abstract作者指出当前依赖 LLM 监控器的 AI 控制协议易被自适应提示注入攻破，呼吁引入多监控器集成与数据流隔离机制。