10月8日 · 周四

Agent 安全 · 论文

找到 5 篇

筛选2

攻击类型

提示注入3

模型自身风险

拒答失当1

防御类型

模型加固2 指令与数据隔离3 权限与审批2

影响

有害内容1 越权操作4

系统形态

模型与 API1 LLM 应用1 AI Agent37 编程 Agent10 网页与电脑操作4 多智能体1

攻击面/入口

网页与界面4 工具返回1 工具与技能描述1

层

应用层4 训练与数据层1

系统组件

MCP 与技能1 权限与沙箱2 视觉1 多模态1

被测模型厂商

其他5

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 378 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：网页与电脑操作话题：Agent 安全清除全部

另有 378 篇论文还没打上分类标签，暂不在筛选结果里。

防御arXiv:2610.05637 · 10月5日
研究显示 VLM 视觉定位输出的拒答率按危害领域平均低 31 至 59 个百分点
提出融合定位拒答与能力保留的安全微调，补齐视觉定位输出的拒答缺口
模型与 API测试Claude Sonnet 4.6、Gemini 3.5 Flash、Molmo2-8B 等 5 个训练与数据层
摘要论文揭示了 VLM 定位安全落后于 VQA 的对齐断层，提出三成分微调方案有效弥合差距并保留定位能力，表征分析揭示了对齐机制。
完整解读
防御arXiv:2610.03089 · 10月2日
COBRA：为计算机使用 Agent 防御分支引导攻击的双 LLM 架构
提出 COBRA 双 LLM 架构，防御计算机使用智能体的分支转向攻击
网页与电脑操作测试gpt-5、UI-TARS-1.5-7B、claude-sonnet-5 等 6 个应用层
摘要提出分支转向防御架构 COBRA，通过事前能力约束与边界代理消除分支转向攻击并兼顾效用。
完整解读
防御arXiv:2609.22178 · 8月27日
SCOPE：训练有能力且安全的计算机使用智能体
提出 SCOPE 联合后训练计算机使用智能体的任务执行与安全决策
网页与电脑操作测试Qwen3.5-9B、SCOPE-mid-checkpoint、SCOPE-Capability-Safety 等 14 个应用层
- 模型加固
- 提示注入
完整解读
防御arXiv:2607.05277 · 7月7日
UCM：为网页智能体遮蔽不可信内容以提供安全保证
提出 UCM，用 DOM 掩码与类型受限隔离模型隔开网页智能体与不可信内容
网页与电脑操作测试Claude Sonnet 4.5、Claude Sonnet 4.6、GPT-5.4应用层
- 指令与数据隔离
- 提示注入
完整解读
防御arXiv:2609.18411 · 9月16日
可验证行动卡片 VAC：为智能体浏览器提供可信人在回路确认
提出 VAC，用真实操作参数与来源隔离保护智能体浏览器确认
网页与电脑操作测试gpt-oss-120b、Gemini-2.5-Flash、GPT-4.1 等 6 个应用层
完整解读

已经到底了

Agent 安全 · 论文

攻击类型

模型自身风险

防御类型

影响

系统形态

攻击面/入口

层

系统组件

被测模型厂商

研究显示 VLM 视觉定位输出的拒答率按危害领域平均低 31 至 59 个百分点

COBRA：为计算机使用 Agent 防御分支引导攻击的双 LLM 架构

SCOPE：训练有能力且安全的计算机使用智能体

UCM：为网页智能体遮蔽不可信内容以提供安全保证

可验证行动卡片 VAC：为智能体浏览器提供可信人在回路确认