Another 265papers do not have category tags yet and are not included in filtered results.
评测编码智能体 harness 安全机制在对抗任务中的防护效果
提出 COPEX 基准，评测 MCP 智能体对多入口攻击的抵抗力
构建 EvoRiskBench 评测工作区 Agent 的运行时安全风险
Abstract论文构建了工作空间智能体运行时风险基准 EvoRiskBench，发现高执行力智能体在 IPI 下面临较高安全风险。
提出 MMSkillRisk 基准，评测多模态技能图像中的隐藏指令诱导 Agent 越权操作
Abstract论文提出 MMSkillRisk 基准与 NCVA 攻击，揭示多模态技能中教学图像潜藏指令可引发未授权操作并与良性任务共存。
Abstract梯度上升类方法更接近简单评测下的重训参照，复杂方法会被知情攻击认出，多说话人更差。
提出 TRUSTFORK 基准，评测展示身份劫持多智能体编排权限
Abstract论文提出了多智能体安全基准 TRUSTFORK，揭示展示身份如何劫持操作权威，并证明事后验证无法弥补已发生的执行破坏。
提出技能级联攻击，把有害目标拆散到多个技能里绕过单技能扫描
Abstract论文探讨了多技能智能体系统面临的技能级联攻击风险，提出自动化红队框架与基准集，指出跨技能交互存在安全防护盲区。
用 Dmax 与尾部损失评测后门修复的类别性能保持
提出双控多智能体基准 DUMA-Bench，测量对抗环境下的策略违反
DUMA-Bench 把 τ²-bench 的双控交互做成智能体安全评测，用来看策略违反如何随用户、模型和环境一起出现。
比较标签翻转与后门投毒对图像分类器的影响
Khan 与 Abusaqer 在两个图像分类基准上比较了两种训练时投毒。
提出 ECLIPSE 双通道提示注入，劫持长程 Agent 的动作轨迹
用 SkillSec-Eval 评测 Agent 技能全生命周期安全
SkillSec-Eval 按信任边界评测可复用智能体技能，而不是只看提示注入或单次执行。技能被共享后，元数据、权限、工作流和版本可独立于底层模型变化。作者要回答的是：恶意技能能否在准入、检索、规划、执行或更新阶段穿过未经验证的信任边界。
提出 SkillVetBench 评估开源 Agent 技能的多维安全风险
Abstract公开排行榜用 LLM-as-Judge 给技能分列 SARS 与 CVSS，并对照市场官方审查。
提出企业级检测系统 ADR，识别编程 Agent 的提示注入与恶意 MCP
Abstract提出了端点因果遥测、两级在线分流与离线红队闭环的 ADR 系统，并在生产环境中验证了有效性。
用代价曲线评估恶意微调防御在持续训练下的衰减
Abstract论文指出恶意微调防御在持续训练下均会衰减，表明基于有限攻击者假设的防御无法为开源模型提供持久保护。
提出 ClawSafety，评测个人智能体读到对抗工件后是否执行有害动作
提出 VIGIL 先验证后提交，防御 Agent 工具流注入
VIGIL 用 verify-before-commit 处理智能体的工具流注入，并配有基准 SIREN。
提出 BackdoorVLM 基准，评测视觉语言模型微调中的后门攻击与防御
BackdoorVLM 是作者提出的 VLM 后门攻击与防御评测基准，作者称它是首个此类综合基准。
提出多轮在线骚扰 Agent 基准，评测记忆、规划与微调越狱