全部论文

审计发现 CLIP 安全分数主要反映画面与提示词场景的相似度

开环审计冻结视觉安全分，发现偏离主要来自场景模板与视角

arXiv

2610.09517

发表

10月7日

层

模型层

场景

具身与机器人

被测模型

CLIP ViT-B/32、CLIP ViT-L/14、Qwen2-VL-7B

• 组件视觉
• +1+1

研究：人形机器人学习流程四层代理均存在偏离，不止奖励作弊

论证腿式 RL 四层代理在目标缺失时仍报成功

arXiv

2610.03196

发表

10月2日

层

训练与数据层

场景

具身与机器人

被测模型

Gaussian MLP（三隐层各 128 ELU，独立 critic，PPO）

• 风险奖励作弊

研究：LLM 智能体顺从多数时内部仍保留原有前提

用 J-lens 检测屈从多数的智能体是否仍表征原前提

arXiv

2610.02702

发表

10月2日

层

模型层

场景

多智能体

被测模型

Qwen3.5-4B、Qwen3.6-27B、Gemma-4-E4B-it 等 4 个

• 组件推理链

DAFI：面向 SAE 特征双端解释的智能体方法

提出 DAFI，把 SAE 特征解释为输入、输出与功能三元组

arXiv

2609.35367

发表

9月28日

层

模型层

场景

AI Agent

SAKIKO：对工具调用 LLM 内部干预的机制审计框架

提出 SAKIKO 框架，审计工具调用 LLM 的定向激活干预是否构成修复

arXiv

2609.36138

发表

9月29日

层

模型层

场景

AI Agent