Translation in progress Some entries still include text in the original language.
Oct 13 · Tuesday
Defenses and guardrails · Papers
Found 4 papers提出 Persona Guardrail,强制客服智能体守住功能边界
- Published
- Evaluated models
- Qwen3-30B-A3B, Qwen3-VL-30B, Qwen3-8B and others5
AbstractPersona Guardrail 用功能边界做同步输入输出校验,并在 PAGE 与生产延迟预算下给出评测。
Persona Guardrail 是客服向智能体的同步运行时防御:先写明功能边界,再决定放行或拦截,而不是只检测某一攻击类。
提出 MalURLBench 评测 Agent 是否接受结构伪装的恶意 URL
- Published
- Evaluated models
- GPT-3.5-Turbo, GPT-4o-mini, GPT-4o and others13
提出 TS-Guard 与 TS-Flow,在执行前检测并引导 Agent 修正有害工具调用
- Published
- Evaluated models
- GPT-4o, TS-Guard, Qwen2.5-14B-Instruct
AbstractTS-Bench 标步骤级风险,TS-Guard 用多任务 RL 做执行前判定,TS-Flow 用反馈代替直接中止。
ToolSafe 研究 LLM 智能体在工具执行前的步骤级安全:基准 TS-Bench、护栏 TS-Guard,以及反馈驱动框架 TS-Flow。
提出 SafeScientist 四层监控,阻止科研智能体执行高风险或不伦理任务
- Published
- Evaluated models
- GPT-4o, GPT-4.1, GPT-3.5-turbo and others5
Abstract四层监控加科研安全基准。
SafeScientist 是带四层监控的科研智能体框架,并用 SciSafetyBench 评测科学场景中的任务安全。
You have reached the end