攻击arXiv:2610.05793 · 10月5日
研究者训练出按多智能体拓扑触发的代码后门模型
微调植入拓扑条件后门，使代码模型在推断多智能体部署时插入隐蔽漏洞
编程 Agent测试Qwen2.5-7B-Instruct、Qwen2.5-Coder-7B-Instruct训练与数据层
摘要论文证实了拓扑条件后门的可训练性与泛化性，展示了常规评测盲区，并提出差异化拓扑审计作为检测防御方向。
完整解读
攻击arXiv:2609.07051 · 9月7日
TrojanWorld：通过想象引导对世界模型智能体植入后门
提出 TrojanWorld，通过想象引导给世界模型智能体植入供应链后门
具身与机器人测试TD-MPC2、DreamerV3、R2-Dreamer训练与数据层
摘要TrojanWorld 揭示了世界模型智能体的供应链后门风险，通过在世界模型中操纵想象可实现对闭环动作的持续控制。
完整解读
攻击arXiv:2609.14060 · 9月13日
AgentQ：针对 LLM Agent 的量化条件后门攻击
提出 AGENTQ，向开源智能体权重植入仅在量化后触发的恶意工具后门
AI Agent测试Qwen3.5-2B、Qwen3.5-4B、Qwen3.5-9B 等 6 个训练与数据层
摘要论文研究了智能体量化条件后门风险，提出 AGENTQ 在保持效用的同时实现全精度隐蔽与量化后生效。
完整解读
风险行为arXiv:2609.35291 · 9月28日
窄域多模态微调可诱发涌现性失配，覆盖 15 个视觉语言模型
发现无显式危害的窄域图文微调可诱发涌现失准
网页与电脑操作测试GPT-4o、GPT-4.1、Gemini 2.5 等 15 个模型层
摘要证实窄多模态微调可引发全面的多渠道未对齐行为转变，揭示了后训练阶段对齐被隐蔽重塑的安全隐患。
论文系统探究了视觉-语言模型中由窄任务微调诱发的跨模态涌现未对齐（Emergent Misalignment, EM）现象。
完整解读

已经到底了

Agent 安全 · 论文

攻击类型

攻击技术

模型自身风险

影响

系统形态

攻击面/入口

层

系统组件

被测模型厂商

研究者训练出按多智能体拓扑触发的代码后门模型

TrojanWorld：通过想象引导对世界模型智能体植入后门

AgentQ：针对 LLM Agent 的量化条件后门攻击

窄域多模态微调可诱发涌现性失配，覆盖 15 个视觉语言模型