跳到正文
10月10日 · 周六

全部论文

找到 8 篇
筛选6

系统形态

LLM 应用4AI Agent5

层

模型层4应用层8

系统组件

RAG2护栏与评审3监控器2权限与沙箱3视频0多模态2
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 194 篇还没打标签，不在筛选结果里。
层：应用层系统组件：RAG系统组件：监控器系统组件：权限与沙箱系统组件：视频系统组件：多模态清除全部

另有 194 篇论文还没打上分类标签，暂不在筛选结果里。

  3. 分析与理论arXiv 2609.32390

    基于 2026 年 Hugging Face 事件的奖励作弊与 Agent 围堵失效蒙特卡洛研究

    用五阶段蒙特卡洛分析奖励作弊如何导致 Agent 围堵失效

    arXiv
    2609.32390
    发表
    层
    应用层
    场景
    AI Agent
    摘要分层控制的模拟事件率低于弱控制以及单独隔离或单独监控。

    这项研究用蒙特卡洛把奖励黑客接到外部安全事件上，比较的是控制组合，不是 Hugging Face 事件的再现概率。

    深度解读完整解读
  4. 分析与理论arXiv 2609.30467

    研究提出医疗答案事实核查失败分类法，指出检索后验证范式的固有局限

    归纳开放式医学长答案检索核验的失败分类

    arXiv
    2609.30467
    发表
    层
    应用层
    场景
    LLM 应用
    被测模型
    GPT-5.4、Mistral Small 3 (24B-Instruct-2501)、Mistral Small 4 (119B-2603) 等 8 个
    摘要作者把开放式低召回归为证据是否在库、能否被定位，以及与声明是否对齐。

    这篇工作诊断开放式医学事实核验的 retrieve-then-verify 管线断在哪里，而不是提出新的核验器。

    深度解读完整解读
  5. 分析与理论arXiv 2609.12841

    Trace2ATT&CK：基于图的 eBPF 内核遥测到 MITRE ATT&CK 映射方法

    提出 Trace2ATT&CK，用溯源图把内核遥测映射到 ATT&CK

    arXiv
    2609.12841
    发表
    层
    应用层
    场景
    LLM 应用
    被测模型
    gpt-oss-20b、gpt-oss-120b、gemma-4-31b-it 等 7 个
    摘要Trace2ATT&CK 把 eBPF 溯源命令图交给本地 LLM/RAG，在 Atomic Red Team 上映射 ATT&CK。

    Trace2ATT&CK 是一条从 Linux 内核遥测到 MITRE ATT&CK 排序候选的端到端流水线，面向已经划定的攻击窗口，而不是异常检测或 CTI 报告。

    深度解读完整解读
  6. 分析与理论arXiv 2609.07162

    论文：LLM 安全监控的监督缺口并非能力问题

    刻画单迹监控对跨执行超性质的监督缺口

    arXiv
    2609.07162
    发表
    层
    应用层
    场景
    LLM 应用、AI Agent
    被测模型
    Llama-3.1-8B、Mistral-24B、GPT-4o-mini 等 9 个
    摘要单迹监督的上界由 TV 决定。

    论文测量单迹安全监控相对 2-safety 超性质能看见多少：跨租户泄漏、觉察到被评估、策略性表现不佳都由两次执行之差定义，一条轨迹装不下判定。

    深度解读完整解读
  8. 分析与理论arXiv 2608.06270

    研究用因果审计揭示多模态模型视觉工具调用的假象

    因果审计视觉工具调用，分离观察贡献与动作诱发捷径

    arXiv
    2608.06270
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    DeepEyes、Pixel Reasoner、Mini-o3 等 6 个
    摘要聚合增益集中在 Calibrated 少数轨迹，作者称之为视觉工具使用的错觉。

    对六个 thinking-with-images 模型做因果审计，检查 crop-and-zoom 返回的观察是否中介最终答案。

    深度解读完整解读
已经到底了