跳到正文
10月9日 · 周五

全部论文

找到 2 篇
筛选4

攻击类型

越狱1恶意使用1

攻击技术

自动化搜索1多轮渐进2编码与混淆1角色扮演与说服1推理链操控1针对防御3潜伏触发2诱导选用1

模型自身风险

危险能力1

影响

有害内容1滥用能力提升1

系统形态

模型与 API3AI Agent2编程 Agent2

攻击者权限

黑盒2无盒1

攻击面/入口

用户输入2

层

应用层2

被测模型厂商

Microsoft0其他3
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 608 篇还没打标签，不在筛选结果里。
攻击技术：多轮渐进系统形态：编程 Agent被测模型厂商：Google被测模型厂商：Microsoft清除全部

另有 608 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 攻击arXiv 2607.03968

    研究揭示 IDE 编程 Agent 的工作流级越狱：GitHub Copilot 四后端 816/816 生成有害内容

    提出工作流级越狱构建，经多轮开发工作流诱导编程 Agent 在代码中写出有害内容

    arXiv
    2607.03968
    发表
    层
    应用层
    场景
    编程 Agent
    攻击者
    黑盒、无盒
    测试
    Gemini 3.1 Pro、Gemini 3.5 Flash、Claude Sonnet 4.6 等 5 个

    摘要论文揭示了 IDE 编程智能体在多轮开发工作流中会绕过单轮拒答并自行写出有害代码，呼吁防御转向工作流与代码产物级审查。

    深度解读完整解读
  2. 攻击arXiv 2609.15383

    微软团队提出 capability laundering 攻击：弱模型拆分任务向对齐前沿模型套取能力

    提出能力洗钱攻击，让未对齐编排器拆分任务向对齐模型套取能力

    arXiv
    2609.15383
    发表
    层
    应用层
    场景
    编程 Agent
    攻击者
    黑盒
    测试
    Gemma-4-31B、Gemma-4-12B、GPT-5.5 等 7 个

    摘要作者提出了能力洗钱攻击，发现未对齐编排器分解咨询对齐模型可恢复能力差距，指出需建立跨会话防御。

    深度解读完整解读
已经到底了