Translation in progress Some entries still include text in the original language.
Oct 12 · Monday
All papers Found 15 papers Another 321 papers do not have category tags yet and are not included in filtered results.
“
About this collection Collection in progress We are building a large AI safety paper collection to help researchers find work related to their interests. Papers are collected automatically andfiltered only for relevance to AI safety , without judging quality, novelty or reading value. The default “Annotated first” shows papers with tags or published paper analyses first. Each group is ordered by original publication date, newest first, with undated papers last. “Newest first” uses publication dates only. This order is not a quality ranking.
One-line summaries, tags and paper analyses are prepared by AI from the papers. Language models may have systematic biases and produce hallucinations.We plan to carry out human annotation and review to reduce errors in this content.
评测 LLM 审计 Agent 日志时来源重建是否有证据支持
Published Oct 7
Evaluated models gpt-5.6-luna , claude-sonnet-4-6 , gpt-5.4-mini-2026-03-17 and others5 Abstract 保存执行范围的标识绑定，才能把猜中的引用和证据支持的引用分开。包级审计检查保存的智能体动作里，哪些来源结论能被交给分析者的记录支持。
构建 MedDistract 基准，测量偶发信息对临床文书与推理的污染
Published Oct 6
Evaluated models GPT-5.4 , GPT-5.6 Sol , Claude Opus 5 and others9 提出 ProbeGuard，按共识形成过程对医疗问答做选择性弃答
Published Oct 6
Evaluated models Qwen3-8B , Llama-3.1-8B-Instruct , HuatuoGPT-o1-8B Abstract ProbeGuard 用共识形成过程做可认证弃权，并在全票层分开答对与答错的共识。ProbeGuard 是给多轮共识医学问答用的认证弃权框架：基板照原样作答，弃权只看共识是怎么形成的。
提出 SAFESHIELD，组织小语言模型部署时的安全决策
Published Oct 6
Evaluated models Qwen3-4B-Instruct Abstract SAFESHIELD 用可审计决策轨迹组织 SLM 部署时的四项安全决策，并报告协调依赖影响端到端结果。SAFESHIELD 是面向小语言模型的部署时安全框架，把运行时安全从单项审核改写成可检查的决策过程。
提出 RAIM，用交叉拟合堆叠聚合廉价评审检测幻觉
Published Sep 30
Evaluated models Llama , Qwen , Mistral and others10 Abstract 十个廉价评审的堆叠在可采纳区间接近 Sonnet，代价主要是一次域内校准。
提出 DERIVAUDIT 审计长期 Agent 记忆是否由交互历史导出
Published Sep 29
Evaluated models Qwen3-30B-A3B , Gemma-4-31B , Llama-3.3-70B-Instruct Abstract DERIVAUDIT 表明扩历史能补出处，但组合准入与过细检查仍两侧出错。DERIVAUDIT 审计长期智能体的持久记忆是否由写入时可获得的交互历史支持，而不是只看以后能否被召回。
提出 APEXA，在工具层拒绝无执行支撑的结果并拦截电机命令
Published Sep 21
Evaluated models GPT-5-mini , GPT-5.4 , Claude Opus 4.7 and others4 Abstract 作者称执行是否发生要由工具层核对，而不能只靠提示词。APEXA 是先进光子源上的数据还原框架，用工具层代码约束语言模型智能体的工具调用。
提出双缺口框架，统一智能体软件工程中的奖励投机与幻觉
Published Sep 11 Abstract 双缺口解释内环为何会放行部署后不可接受的实现，外环用现实证据持续修订 R、M 与 E。Reality Is the Final Verifier 用 two-gap framework 解释智能体软件工程的主要失败，并主张用外层保证环持续收窄缺口，而不是试图在部署前证明缺口已关闭。
提出 Sentinel-RL，将拓扑处置从 LLM 卸载到受约束图策略
Published Sep 4
Evaluated models HetGAT , PPO Abstract Sentinel-RL 用图编码器与 PPO 承担拓扑决策，LLM 负责叙述与门控，并在 LANL 上报告检测与时延。Sentinel-RL 是面向 SOC 的神经符号架构：拓扑决策离开 LLM，改由认证图上的 HetGAT 与 PPO 完成。
分析外部记忆对智能体处理不可回答问题的影响
Published Aug 28
Evaluated models DeepSeek-V3.2 , Qwen3-235B-A22B-Instruct-2507 , GPT-5.5 Abstract 记忆能选择性提高 UAQ 的可接受回应，但跨数据集不稳定，且更依赖可迁移的行为指导。这份研究在同一智能体框架里检查外部记忆会不会让不可回答问题的处理更稳，以及稳来自哪一种存储内容。
提出 SCHEMA，用概念图与轨迹分评测科学 Agent 幻觉
Published Aug 1
Evaluated models Kimi-K2.5 , Qwen3.6-Plus , Llama-4-Scout and others10 Abstract SCHEMA 用知识拓扑评估科学智能体幻觉，终答正确仍可能来自有缺陷的中间推理。SCHEMA 是面向科学智能体幻觉的证据锚定评测框架，实例化在生物医学的 Protein Domain 与 PathVQA-Enhanced。作者在摘要中称它是首个同时做到证据锚定和拓扑感知的此类框架。
提出技能名称抢注攻击，利用 Agent 虚构技能名实施供应链劫持
Published Jul 14
Evaluated models GLM-4.5-Air , GPT-5.4-mini , Claude Sonnet 4.6 and others12 Abstract 研究证实智能体虚构技能名具有高发生率与可预测性，现有防御难以兼顾安全与效用，亟需注册表结构性防护。本研究系统揭示了大模型智能体技能推荐场景下的虚构技能名称安全风险，将其形式化为一种新型供应链抢注攻击。
构建法律引用幻觉基准 LePhantomCite 并评测智能体核验
Published Jun 19
Evaluated models gpt-5-2025-08-07 , Opus 4.8 , Gemini 2.5 Flash and others13 Abstract 引用幻觉未随代际持续下降。法律引用核验被做成基准：伪造引用的法院文书在增加，生成端的幻觉率也没有随模型代际持续下降。
提出 LegalHalluLens，分类审计法律抽取幻觉并校准多智能体辩论
Published Jun 16
Evaluated models gemini-3-flash , gpt-5.2 , qwen3-32b and others5 Abstract 作者称类型画像与 RDI 能区分聚合率相近的系统，辩论主要减少虚构检出。LegalHalluLens 是一套法律条款抽取的审计框架，外加一个按审计结果校准的辩论缓解。 。
提出谱系图治理层抑制多智能体协作的错误级联
Published Mar 4 Abstract 单一种子可沿固定协作图固化为错误共识。作者把 LLM-MAS 中“小错变成集体错误共识”做成图上的可测传播，并用只改消息、不改拓扑的插件压低最终感染。
You have reached the end