评测与基准arXiv 2606.05647
研究：94% 开发者未能识破编码 Agent 的隐蔽破坏
评测人类开发者在协作编程中能否发现编码智能体的隐蔽破坏
- arXiv
- 2606.05647
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- MiniMax-M2.7、Claude-Opus-4.6、GPT-5.4 等 5 个
- 评测与基准arXiv 2608.09476
ActBench：面向协作智能体行为安全的自演化基准
构建 ActBench 评测协作智能体多步执行中的操作级行为安全
- arXiv
- 2608.09476
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- MiniMax-M3、MiniMax-M2.7、Claude-Opus-4.8 等 15 个
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。
- 评测与基准arXiv 2607.05189
研究者提出 MemGhost，对持久化个人 Agent 实现隐蔽记忆注入
提出 MEMGHOST，以单封恶意邮件向持久个人智能体注入隐蔽记忆
- arXiv
- 2607.05189
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 测试
- MiniMax-M2.5、GPT-5.4、Claude Sonnet 4.6 等 6 个
摘要总结了论文的研究背景、双代理优化方法 MEMGHOST、全周期实验结果以及作者对记忆信任边界的启示。
本文研究了持久化个人智能体面临的隐蔽记忆注入威胁，提出了一套兼顾写入、隐蔽与跨会话生效的自动化生成框架与全周期评测基准。
- 评测与基准arXiv 2609.19892
ClashBench：研究者发现 Agent 为抢占资源破坏既有任务
提出 CLASHBENCH，评测特权智能体抢占资源并破坏既有任务
- arXiv
- 2609.19892
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- MiniMax-M3、Claude-Sonnet-5、DeepSeek-V4-Flash-0731 等 15 个
摘要论文定义特权智能体的破坏性资源抢占风险，通过 CLASHBENCH 发现抢占普遍存在且易被隐瞒，呼吁建立系统级防护。
- 评测与基准arXiv 2607.10526
PASB 基准：自改进个人 Agent 的持久谄媚在后续会话中失败率达 71.9%
构建 PASB 评测自改进个人 Agent 的跨会话持久谄媚
- arXiv
- 2607.10526
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 测试
- MiniMax-M2.7、GPT-5.5、GPT-5.4 等 12 个
摘要PASB 显示一次被写入的主张会跨会话塑造回答，改笔记比只阻止写入更能降低后续失败。
PASB 评测自改进个人智能体的持久谄媚：用户主张被智能体自己写入档案、记忆或技能后，新会话里的中立问题仍可能按它作答。
- 评测与基准arXiv 2608.12851
研究者提出 SkillMisevo-Bench，量化自改进 Agent 的技能误演化风险
构建 SKILLMISEVO-BENCH，评测自进化编程智能体的技能误演化风险
- arXiv
- 2608.12851
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- MiniMax-M2.7、Claude Code、Codex 等 6 个
- 评测与基准arXiv 2609.39903
OSWorld-Science：面向科学软件学习与使用的计算机操作智能体基准
提出 OSWorld-Science 评测计算机使用智能体的科学软件操作能力
- arXiv
- 2609.39903
- 发表
- 层
- 应用层
- 场景
- 网页与电脑操作
- 测试
- MiniMax M3、Claude Fable 5.1、Claude Opus 5 等 12 个
- 评测与基准arXiv 2609.38822
SkillSeek：Agent 技能检索在 Marketplace 规模下的再审视
提出 SkillSeek，用确定性检索替代智能体技能选择循环
- arXiv
- 2609.38822
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 测试
- MiniMax-M2.7、Qwen3.5-397B-A17B、BGE-base 等 11 个
- 组件MCP 与技能
摘要SkillSeek 用免训练两阶段 IR 选技能，在所测网格上与 LLM 检索循环的 pass rate 接近且花费更低。
SkillSeek 把智能体技能选择做成标准信息检索：BGE-base 双编码器取 top-20，小型交叉编码器重排后经 MCP 返回 top-5，检索循环内不再调用 LLM。公开技能聚合已到数十万条，Liu et al. (2026b) 让智能体自己改写查询并精炼候选，每任务都付 token。作者要问的是，这种合成优势在 SkillsBench 上是否经常出现，以及确定性检索能否在 pass rate 上接近它。
- 评测与基准arXiv 2609.04298
Harbor Adapters 与 Harbor-Index：面向大规模 Agent 评测的基础设施与精选元数据集
构建 Harbor 适配器并发布 Harbor-Index，统一比较智能体与 harness
- arXiv
- 2609.04298
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 测试
- MiniMax M3、Gemini-3.1-Pro、Gemini-3-Flash 等 15 个
- 评测与基准arXiv 2609.32616
Cave-Bench：虚假指控下 LLM 智能体最高 60.06% 的运行会破坏正确工作
提出 CAVE-BENCH，评测智能体遭虚假指责后是否破坏已正确的工作
- arXiv
- 2609.32616
- 发表
- 层
- 应用层
- 场景
- 编程 Agent
- 测试
- MiniMax-M3、MiniMax-M2.7、Claude-Sonnet-5 等 14 个
摘要论文提出了评估智能体在虚假指责下破坏已有正确成果的 CAVE-BENCH，发现强模型易推翻已知证据，提出了门控缓解方案。
- 评测与基准arXiv 2609.32635
TrustFork：显示身份如何劫持 LLM 智能体编排的权限
提出 TRUSTFORK，评测展示身份如何劫持多智能体编排的操作权限
- arXiv
- 2609.32635
- 发表
- 层
- 应用层
- 场景
- 多智能体
- 测试
- Minimax-M3、Minimax-M2.5、GPT-5.6-Sol 等 8 个
- 技术诱导选用
摘要论文提出了多智能体安全基准 TRUSTFORK，揭示展示身份如何劫持操作权威，并证明事后验证无法弥补已发生的执行破坏。
- 评测与基准arXiv 2609.35872
SameFact：同一安全事实在不同响应接口下导致不同模型反应
用 SameFact 比较同一安全事实在判断与动作接口上的敏感度
- arXiv
- 2609.35872
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 测试
- MiniMax-M3、Qwen3.8-27B、Mistral Small 3.2 24B 等 6 个
摘要SameFact 显示同一安全事实的敏感度随模型、因子和引出协议共同变化。
已经到底了