跳到正文
10月9日 · 周五

全部论文

找到 6 篇
筛选4

攻击类型

越狱4提示注入25投毒与后门13提取与窃取3检测规避3拒绝服务1恶意使用3

攻击技术

自动化搜索2

模型自身风险

奖励作弊1

防御类型

检测与过滤1监控与审计1

影响

越权操作1数据与隐私泄露4监督失效1

系统形态

LLM 应用1AI Agent5编程 Agent1网页与电脑操作1

攻击者权限

黑盒3

攻击面/入口

用户输入6代码仓库与依赖1

层

提示层1应用层6

系统组件

MCP 与技能2RAG1监控器1

被测模型厂商

OpenAI13Qwen（阿里）12Anthropic8Google8DeepSeek6Meta6智谱 GLM6Kimi（月之暗面）6其他8
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 558 篇还没打标签，不在筛选结果里。
攻击类型：提取与窃取攻击类型：恶意使用层：应用层被测模型厂商：智谱 GLM清除全部

另有 558 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 攻击arXiv 2608.04192

    研究者提出 SkillClone，仅凭正常提问即可克隆 LLM Agent 隐藏技能功能

    提出 SKILLCLONE，仅凭良性任务交互重构 Agent 隐藏技能功能

    arXiv
    2608.04192
    发表
    层
    应用层
    场景
    AI Agent
    攻击者
    黑盒
    测试
    GLM-5.1、DeepSeek-Flash、DeepSeek-Pro 等 6 个
    摘要论文揭示了仅靠良性任务交互即可重构闭源智能体技能隐藏功能的风险，表明功能保密需要限制累积信息泄露。

    论文从功能保密视角系统研究了大语言模型智能体技能的行为重构威胁。

    深度解读完整解读
  3. 评测与基准arXiv 2604.02947

    AgentHazard：评估计算机使用智能体有害行为的基准

    提出 AgentHazard 基准，评测计算机使用智能体的执行层有害行为

    arXiv
    2604.02947
    发表
    层
    应用层
    场景
    网页与电脑操作、编程 Agent
    测试
    GLM-4.6、Qwen2.5-72B-Instruct、Qwen2.5-Coder-32B-Instruct 等 12 个
    摘要AgentHazard 评估了计算机使用智能体的执行安全，作者认为模型层对齐无法可靠保障智能体层面的安全性。

    AgentHazard 是针对计算机使用智能体执行层安全构建的评估基准，重点探究多步工具调用下局部合理动作累积引发的危害。

    深度解读完整解读
  4. 攻击arXiv 2607.25560

    SigLeak 可从执行轨迹推断专有 Agent 技能

    提出 SigLeak，从良性查询的执行轨迹推断专有 Agent 技能

    arXiv
    2607.25560
    发表
    层
    应用层
    场景
    AI Agent
    攻击者
    黑盒
    测试
    GLM-5.2、GPT-5.4-mini、GPT-5.5 等 4 个

    摘要提出了通过良性查询和对照轨迹推断黑盒专有技能的 SigLeak 框架，揭示了智能体执行可见性带来的行为侧信道泄露风险。

    深度解读完整解读
  5. 防御arXiv 2604.11806

    Meerkat：跨大量 Agent 轨迹检测安全违规

    提出 Meerkat，聚类并用智能体搜索审计 Agent 轨迹库的跨轨迹违规

    arXiv
    2604.11806
    发表
    层
    应用层
    场景
    AI Agent
    测试
    GLM-5、GPT-5.4、GPT-5.4-mini 等 8 个
    摘要Meerkat 用聚类与智能体搜索定位跨轨迹违规，并在真实评测轨迹中找出脚手架泄题与奖励黑客。

    Meerkat 是事后审计方法，用来在智能体轨迹仓库里找出单条看不出、合在一起才违反自然语言安全属性的见证。

    深度解读完整解读
已经到底了