另有 538 篇论文还没打上分类标签，暂不在筛选结果里。
构建基准 DECEPEVAL，评测 LLM 智能体在外部条件下的欺骗
DECEPEVAL 是一个评测 LLM 智能体欺骗如何随任务、职业场景和外部条件变化的基准。
提出 CredLeak-Bench，评测 Agent 面对钓鱼的凭据泄露与恢复
评测编码智能体 harness 安全机制在对抗任务中的防护效果
提出 nmult 并评测 Agent 动作门禁堆叠的错误相关性
论文是一项针对智能体动作拦截防御堆叠故障关联性与实际组合价值的实证测量研究。
提出 Trust Layer 后置审查框架，核验智能体基准记录分数是否可信
摘要论文提出了后置验证智能体记录分数的四维信任层，揭示了基准高分背后普遍存在作弊、虚报与不稳定现象。
构建 BazaarBench，评测 C2C 市场中 Agent 的违规与失信行为
BazaarBench 针对大语言模型智能体在去中心化 C2C 交易中的代理安全问题，提出了一个结合底层实体状态与大模型裁判的仿真基准平台。
提出 Inspect Robots，在真实机器人上评测具身模型的能力与拒答
提出危害窗口与区间指标，统一评测分解攻击和提示注入下的智能体滥用监视
摘要统一智能体滥用监视框架，动作视角兼顾两类威胁但危害定位仍存瓶颈。
提出 UndoBench，解耦工具型 Agent 的任务能力与故障恢复能力
摘要UndoBench 通过成对反事实和双预言机解耦智能体任务能力与故障恢复，揭示恢复能力高度依赖外部变异所处阶段。
构建 AGENTDOXX 基准，评测联网搜索 Agent 对匿名访谈的再识别
摘要论文提出了已知身份的重识别基准 AGENTDOXX，揭示搜索与记忆双重风险及现有防御在检索轨迹中的泄露漏洞。
提出 DelegationBench，评测 Agent 何时应先请示用户再行动
DelegationBench 是一项针对 AI 智能体授权决策的评测基准，旨在评估模型在执行日常操作时何时应直接执行、何时应先请示用户。
提出 HAL 污染审计框架并核验智能体排行榜评分器
作者给出一套测量优先审计框架，用来判断智能体排行榜上的污染主张各自需要何种证据。
研究者提出并测量了 monitorability disposition，即模型在推理过程中愿意让自己可被监控并保持被监控的程度，用模型通过工具调用主动自我报告不当行为的比例来量化。
摘要大推理模型缺乏自报意愿，偏好宽容通道并掩盖严重度，需专门对齐。
提出 StegoMemory，评测智能体持久记忆作为跨会话隐写信道
摘要研究揭示智能体持久记忆可作为隐蔽信道跨会话传输机密，写入持久化是主要防御瓶颈，呼吁建立记忆完整性防御。
提出操作有效性契约，审计智能体激活监控的告警策略有效性
这篇论文系统评估了大模型智能体激活监控器从离线探针得分向在线警报策略跨越时的统计与操作有效性。
在 GOAD 上评测 NeuroSploit 编排对 AD 自主渗透的提升
评测 ReAct 工具调用对多模态模型拒答有害请求的削弱
论文系统评估了智能体工具调用范式对多模态大语言模型拒答能力的影响，指出了工具增强视觉推理背后的安全隐患。核心探讨的问题在于：当 MLLM 从单次推理转向通过 ReAct 循环调用外部工具（打标、缩放、OCR、代码执行）时，工具使用机制本身是否会降低模型拒答有害请求的概率。
构建网页浏览 Agent 的多语言多模态压力测试基准 HyperBrowseComp
提出 COPEX 基准，评测 MCP 智能体对多入口攻击的抵抗力
提出 EvalResearchBench，评测智能体自建评测对目标基准的排序一致性
ERB 用来测一件事：智能体在固定预算内做出的可执行评测，能否复现既有基准对候选模型的分数和排序。