Skip to content

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

Oct 12 · Monday

All papers

Found 8 papers

Another 233papers do not have category tags yet and are not included in filtered results.

  1. 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

    Published
    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
  2. AttacksarXiv 2608.12273

    研究者提出 Convergent Detour Hijacking 攻击,可让技能型 LLM Agent 绕路并放大资源消耗

    提出 CDH 攻击,让技能型 Agent 绕路放大资源消耗

    Published
    Setting
    AI Agent
    Evaluated models
    Claude-Haiku-4.5, DeepSeek-V4-Pro, DeepSeek-V4-Flash and others6
    AbstractCDH 让静态技能在保持任务完成时拉高调用与 token,耗时则因后端而异。

    CDH 是针对渐进披露技能智能体的发布者侧、纯文本攻击:一个静态协调器把本可正确完成的任务,拐进有界但更耗资源的技能绕路,再交还原任务。

    Paper analysisRead analysis
  3. AttacksarXiv 2601.05466

    Jailbreaking large language models through reinforcement learning with iterative tool disguise attacks

    提出 iMIST,用工具伪装和 PPO 迭代越狱大语言模型

    Published
    Setting
    AI Agent
    Attacker
    Black-box
    Evaluated models
    DeepSeek-V3, Qwen3-32B, GPT-OSS-120B
    AbstractiMIST 用工具伪装和在线 PPO 做黑盒越狱,Table I 中 JADES 高于同格基线。

    iMIST是黑盒越狱方法:把恶意查询伪装成合法工具调用,再用在线强化学习把响应的有害性分数往上推。

    Paper analysisRead analysis
You have reached the end