另有 482 篇论文还没打上分类标签，暂不在筛选结果里。
提出 BenchJack 系统审计智能体基准的奖励作弊缺陷
论文系统研究了主流 AI 智能体基准评测中的奖励作弊问题，提出了首个针对基准缺陷的自动化红队审计与生成对抗式迭代修补系统 BENCHJACK。
提出 HARNESSSECURITY-BENCH 评测编码智能体框架的安全机制
提出 VAL 防御栈，用确认门与参数沙箱约束 Agent 的高风险工具调用
提出自演化基准 ActBench，评测协作智能体的操作级行为安全
摘要ActBench 通过自演化搜索与双证据重构评测轨迹行为安全，揭示基础模型决策差异主导了协同智能体的操作风险。
提出 FlowReview，用对象解析与确定性提交门控制多智能体组合信息流
这篇工作把多智能体安全写成一件必须同时成立的事：拦住组合信息所启用的禁止使用，并完成同一场景里任务所需的授权使用。
提出 AgentKernel，强制中介 Agent 的身份、感知、认知与执行
AgentKernel 是把安全做成组织原则的智能体 OS 架构，不是带跑分的攻防评测。
提出 ZoneClaw，用信任区隔离计算机使用 Agent 的持久记忆权限
提出任务绑定令牌与策略预言机，在多智能体流水线中拦截未授权执行
作者在一条会改写沙箱邮件库的四智能体流水线上，检查低权限失陷会不会变成未授权的真实动作。
提出残余权限重放攻击，让长期 Agent 跨任务复用未失效授权
提出 Tracekit，对编码 Agent 做防篡改的意图-推理-动作审计
Tracekit 是无第三方依赖的编码智能体审计层：把人类请求、模型自述和已执行动作并排写入可外部锚定的哈希链，执行前用正则门，事后用规则和独立模型互查。