跳到正文
10月10日 · 周六

全部论文

找到 9 篇
筛选6

防御类型

模型加固4推理时干预2检测与过滤5指令与数据隔离6权限与审批4监控与审计3

影响

有害内容4越权操作42数据与隐私泄露9输出被操纵9监督失效11

系统形态

模型与 API10LLM 应用7AI Agent9coding agent1

层

应用层7
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 201 篇还没打标签，不在筛选结果里。
防御类型：推理时干预防御类型：指令与数据隔离防御类型：监控与审计影响：输出被操纵系统形态：AI Agent系统形态：coding agent清除全部

另有 201 篇论文还没打上分类标签，暂不在筛选结果里。

  2. 可解释性arXiv 2610.06576

    研究：智能体欺骗行为在外部显现前已可从内部表征预测

    提出基于决策前隐藏状态的检测与引导，预测并抑制智能体欺骗

    arXiv
    2610.06576
    发表
    层
    模型层
    场景
    AI Agent
    被测模型
    Qwen3-14B

    摘要论文展示了智能体自发欺骗可在行为显现前由内部表征预测，并通过激活引导证实了表征的行为可操作性。

    深度解读完整解读
  3. 防御arXiv 2610.05162

    MemAdapter：用反事实适配缓解记忆诱发的谄媚

    提出 MemAdapter，在检索后约束记忆对智能体推理的影响

    arXiv
    2610.05162
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    DeepSeek-V4-Flash、GPT-5.6-sol、Qwen3-8B
    摘要检索后三阶段调节记忆角色。

    MemAdapter 是给长期记忆智能体用的检索后调节框架，用来处理记忆诱发谄媚。

    深度解读完整解读
  5. 评测与基准arXiv 2609.32520

    IntentFlux 基准测量 LLM Agent 的意图漂移并给出 StateForge 修复方案

    提出 IntentFlux 测量 Agent 意图漂移并提出 StateForge 修复

    arXiv
    2609.32520
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    Claude Opus 4.7、DeepSeek V4 Pro、Gemini 3.5 Flash 等 9 个
    摘要INTENTFLUX 量化意图漂移，STATEFORGE 用显式状态部分缩小差距，但未回到单轮水平。

    这篇工作把“用户改口后，过时意图仍影响答案或工具动作”做成可评分的多轮失败，并试验在生成前显式维护活跃状态。

    深度解读完整解读
  7. 防御arXiv 2607.12507

    研究者提出 RARE 攻击：LLM 辅助逆向工程中的表示混淆

    提出 RARE-Guard，阻止逆向观察被提升为指令或已验证声明

    arXiv
    2607.12507
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    gpt-5.5、claude-sonnet-4-6、gemini-2.5-pro 等 5 个
    摘要成对二进制衡量无效提升。

    作者定义的失败是：LLM 辅助逆向中，忠实提取的二进制观察获得它并未赢得的指令权限、声明证据或可信状态。

    深度解读完整解读
  9. 防御arXiv 2605.08382

    SecureForge 通过提示词优化发现并减少 LLM 生成代码漏洞

    提出 SecureForge，在推理时优化系统提示以减少编码智能体的代码弱点

    arXiv
    2605.08382
    发表
    层
    应用层
    场景
    coding agent
    被测模型
    Qwen 2.5 Coder 7B、Qwen 2.5 Coder 14B、Qwen3 30B-A3B 等 10 个
    摘要SecureForge 审计良性 CWE 失败并优化系统提示词。

    SecureForge是一条只用 API 和静态分析、在推理时加固编码模型的流水线。

    深度解读完整解读
已经到底了