全部论文

研究：恶意微调防御在持续训练下失效，72 条防御轨迹危害度全部上升

用代价曲线评估恶意微调防御在持续训练下的衰减

arXiv

2605.14605

发表

5月14日

层

训练与数据层

场景

模型与 API

测试

Llama-2-7B-chat、Qwen3-8B、Llama-3.1-8B-Instruct 等 8 个

• 防御模型加固
• 攻击模型篡改
• 组件微调与开源权重

微软研究院发布 CAVEAT

提出 CAVEAT 基准，评测购物 Agent 在商业引导下的决策偏离

arXiv

2609.27273

发表

9月23日

层

应用层

场景

网页与电脑操作

测试

GPT-5.6-Sol、GPT-5.6-Terra、GPT-5.6-Luna 等 14 个

CredLeak-Bench

提出 CredLeak-Bench，评测 Agent 在钓鱼登录与收件箱中的凭据泄露

arXiv

2610.08871

发表

10月6日

层

应用层

场景

网页与电脑操作

测试

Claude Sonnet 5、Claude Opus 4.8、Gemini 3.6 Flash 等 7 个

• 攻击提示注入

DIBench：面向移动 GUI 智能体多候选选择决策完整性的安全基准

提出 DIBench，评测界面注入对移动智能体选择决策的操纵

arXiv

2610.06898

发表

9月29日

层

应用层

场景

网页与电脑操作

测试

Qwen2.5-VL(32B)、Qwen3-VL(32B)、GUI-Owl(32B) 等 7 个

• 攻击提示注入
• 技术跨模态载荷
• 组件视觉

Mind2Web-Injection：面向网页 Agent 视觉提示注入护栏的证据对齐评测

提出 Mind2Web-Injection，评测网页 Agent 截图护栏的证据对齐

arXiv

2609.05535

发表

9月2日

层

应用层

场景

网页与电脑操作

测试

GPT-5.6-luna、Qwen3-VL-32B、Qwen3-VL-8B 等 6 个

• 防御检测与过滤
• 攻击提示注入
• 组件护栏与评审
• +1+1

AgentLSD：在对抗性任务污染下评测 AI 安全 Agent

用 AgentLSD 评测安全 Agent 在对抗任务污染下的解题与开销

arXiv

2609.19140

发表

9月17日

层

应用层

场景

网页与电脑操作

测试

Gemma-4 31B、DeepSeek-V4 Flash、GPT-OSS 120B 等 6 个

• 攻击提示注入

监督学习中的数据投毒攻击实证评估：标签翻转与后门投毒在 MNIST 和 Fashion-MNIST 上的对比

比较标签翻转与后门投毒对图像分类器的影响

arXiv

2609.10952

发表

9月10日

层

训练与数据层

场景

模型与 API

测试

Logistic Regression、Linear SVM、Random Forest

• 攻击投毒与后门

研究重新审视后门修复评测：区分总体干净效用与良性性能保持

用 Dmax 与尾部损失评测后门修复的类别性能保持

arXiv

2609.25579

发表

9月22日

层

训练与数据层

场景

模型与 API

测试

ResNet18、PreActResNet18、VGG19-BN

• 防御模型加固
• 攻击投毒与后门

机器遗忘在 ASR 中是否有效：arXiv 论文评估现有算法与评测工具

arXiv

2609.34092

发表

9月28日

层

训练与数据层

场景

模型与 API

测试

E-Branchformer

• 防御模型加固
• 攻击提取与窃取
• 组件音频