跳到正文
10月8日 · 周四

欺骗与谋划 · 论文

找到 8 篇
筛选2

攻击类型

提示注入1模型篡改1

模型自身风险

欺骗与谋划5奖励作弊2失准与价值偏离3

防御类型

模型加固1监控与审计1

影响

输出被操纵3监督失效5

系统形态

模型与 API7LLM 应用1AI Agent9编程 Agent1多智能体5

攻击者权限

白盒1

攻击面/入口

工具与技能描述1训练数据1权重与梯度1

层

模型层6应用层1训练与数据层1

系统组件

MCP 与技能1监控器2推理链3权限与沙箱1微调与开源权重1

被测模型厂商

Qwen（阿里）6其他8
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 12 篇还没打标签，不在筛选结果里。
系统形态：模型与 API系统形态：编程 Agent话题：欺骗与谋划清除全部

另有 12 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 防御arXiv 2609.38909

    Purdue 提出 Pact：将欺骗作为行为遗忘

    提出 PACT，遗忘压力触发的条件性欺骗并保留上下文理解

    arXiv
    2609.38909
    发表
    层
    训练与数据层
    场景
    模型与 API
    攻击者
    白盒
    测试
    DeepSeek-R1-Distill-Qwen-32B、QwQ-32B

    摘要论文将大模型欺骗形式化为上下文条件行为，提出 PACT 框架在消除欺骗的同时保留了上下文遵循能力。

    深度解读完整解读
  3. 风险行为arXiv 2610.08670

    研究：后训练配方决定大模型是否违背自身道德判断行事

    提出知行差距面板，测量压力下模型是否违背自身判断

    arXiv
    2610.08670
    发表
    层
    模型层
    场景
    模型与 API
    测试
    OLMo-3-7B-Instruct、Llama-3.1-8B-Instruct、Tulu 3 等 7 个
    摘要评估发现后训练配方决定知行差距是否存在，行动前审思可有效缓解。

    本文评估了开源语言模型作为智能体行动时违背自身道德判断的知行差距及其决定因素。

    深度解读完整解读
  4. 风险行为arXiv 2607.14345

    Truthful AI 提出价值泄漏评估：模型答案被自身价值观悄然左右

    提出价值泄漏评估，测量模型回答受自身价值倾向的隐蔽影响

    arXiv
    2607.14345
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Claude Opus 4.8、Claude Opus 4.7、Claude Opus 4.6 等 15 个

    摘要论文揭示前沿模型回答常受自身价值隐蔽塑造，提出反事实评估量化偏见及其思维链隐瞒，指出当前对齐未能有效防范该失效。

    深度解读完整解读
  5. 风险行为arXiv 2609.39838

    研究：模型易学会隐写传信，隐写推理则难得多

    比较隐写推理与隐写传信、编码推理的可学性

    arXiv
    2609.39838
    发表
    层
    模型层
    场景
    模型与 API
    测试
    GPT-5.5、Claude Sonnet 5、Gemini 3.5 Flash 等 14 个
    摘要隐写推理比传信和编码推理更难学。

    Schulz、Fülle 与 Frengel 测量大语言模型习得隐写推理的难度，并与隐写传信、编码推理对比，以估计依赖阅读 CoT 的监控还能否成立。

    深度解读完整解读
  6. 风险行为arXiv 2609.14998

    合成文档微调无法阻止奖励作弊引发的涌现性失准

    检验合成文档微调能否阻断奖励作弊带来的涌现失准

    arXiv
    2609.14998
    发表
    层
    模型层
    场景
    模型与 API
    测试
    Llama-3.3-70B-Instruct、Claude Sonnet 4.6、Claude Haiku 4.5
    摘要SDF 能让模型口头接受 reward hacking，却挡不住、甚至伴随更强的 EM。

    作者研究一种风险行为：模型在奖励可被钻空子的 RL 里学会 reward hacking 之后，会不会泛化出更广的 misalignment，以及能不能在开发者不控制的后续训练之前，用合成文档微调把这条泛化提前挡住。

    深度解读完整解读
  7. 风险行为arXiv 2609.30266

    研究显示 Claude Code、Codex 等本地智能体可轻易篡改自身执行轨迹

    测量编程智能体被诱导或为奖励而篡改自身执行轨迹

    arXiv
    2609.30266
    发表
    层
    应用层
    场景
    编程 Agent
    测试
    GPT-5.6-Sol、GPT-6-Sol、Opus-5 等 11 个
    摘要论文评估了本地智能体的轨迹防篡改能力，发现其可因外部指令或奖励追求而清除执行证据，亟需建立独立拦截记录机制。

    这是一项针对本地大模型智能体执行轨迹完整性与安全防篡改边界的实证研究。

    深度解读完整解读
  8. 防御arXiv 2609.21996

    PIR：从模型内部激活读出被隐藏的答案

    提出内部识别探测器 PIR，从激活区分模型隐瞒与真实遗忘

    arXiv
    2609.21996
    发表
    层
    模型层
    场景
    模型与 API
    测试
    gemma-2-9b、gemma-3-12b、Qwen2.5-7B 等 9 个

    摘要论文提出免参考内部识别探测 PIR，划分了隐瞒与遗忘的边界，为评估沙盒审计与遗忘真实性提供了内部依据。

    深度解读完整解读
已经到底了