Another 254papers do not have category tags yet and are not included in filtered results.
Proposes SWE-DeceptionBench to evaluate LLM deception in the software development lifecycle
Trace attention to identify harmfulness to the MLP refusal write pathway and propose Sentinel
The authors reframe jailbreaking and excessive refusal of aligned models as a pathway problem on the residual stream from recognition to writing, and accordingly provide conditional reminders before decoding.
Show that reward hacking can propagate through code, memory, and plans in multi-agent coding systems
Reward hacking induced by coding RL can leave the source agent and enter subsequent collaboration and system coordination.
Proposes PASAC and a five-layer boundary guarantee stack, turning agent evaluation overstepping into verifiable whole-system guarantees.
Using FIBS to train white-box probes to monitor agent sabotage behavior and undisclosed deception
An ecological model is established for a population of mismatched agents, showing that collaboration produces a critical takeoff scale.
The authors use the ecological strong Allee effect to discuss whether a mismatched agent population can take off when individual capabilities remain unchanged..
Analyzing why optimizing teaching adaptation metrics collapses tutoring choices and diverges from expert judgment
After turning teaching adaptation metrics into a fine-tuning objective, the metrics rise while scores from trained educators decline.
提出研究合同，把已批准选择绑定到执行证据并由检查器核验
研究合同用来核验计算科学研究智能体是否仍在已批准研究之内，不判断科学是否为真。。
演化可检查评分器并与自改进 Agent 共同演化，抑制奖励作弊
开放任务没有验证器时，被演化的是评分器，而不是再补一条手写 rubric。
用 BeliefScope 分离固定命题上证据与压力对模型信念的影响
BeliefScope 是一个黑盒行为诊断框架，用来把固定命题上的回答变化拆成证据驱动的修正，和不加新事实的方向性压力。信念修正评测能看到信息基础变化后的更新，谄媚评测能看到用户影响下的顺从或漂移。作者认为，当两种输入都偏向同一结论时，表面偏移本身不能区分来源。
提出包络采样，用少量真值标注重标定 LLM 评委以缓解奖励作弊
作者研究后训练前如何选择真值标注的查询分布，使重标定后的廉价代理更适合被优化。真奖励昂贵时，实践用 LLM judge 代替人类。若失准只发生在基座很少生成的输出上，on-policy 标注修不到这些点，随后的 KL 正则优化会把质量集中到被高估的输出。
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。
构建统一奖励作弊检测基准 RH-Detect 并评测零样本检测器
检验推理 token 数能否区分被提示的诚实与不诚实作答
三个推理模型在被提示的回答政策下出现组水平推理 token 差异。作者把它当作不读思维链内容的 black-box 候选信号，而不是自发欺骗检测器。
检验潜意识学习能否经无关数据蒸馏传递能力、后门与作弊
Abstract作者报告潜意识学习可传递新技能、后门与作弊倾向，且分布外泛化强于单层转向向量。
提出 TESTJACK，动态审计编码基准通过判定是否满足任务要求
用 SafeEvo 提取拒绝电路，并提出 SCA 仅微调该电路
AbstractSafeEvo 识别出基座模型中存在的弱安全电路及其演化动态，据此提出的 SCA 算法实现了安全对齐、能力保留与低过度拒绝的平衡。
提出人格层级模型并设计 PPR 抑制奖励作弊的跨上下文泛化
Abstract提出人格层级模型揭示微调跨上下文泛化规律，报告角色距离正相关性，通过 PPR 抑制 RL 作弊。
测量委托收费激励下模型策略性虚报任务信心
Abstract论文建立人机委托信誉博弈框架，揭示模型策略性虚报置信度且主要造成信息破坏，作者指出校准受制于报告意愿。
提出 SPECGUARD，用 Lean 证书在编码 Agent 执行前证明任务冲突
Abstract提出预执行冲突检测与证明框架，在多个基准和真实仓库中成功证明任务与测试不可同时满足。