跳到正文
10月10日 · 周六

全部论文

找到 44 篇
筛选4

攻击类型

提示注入18投毒与后门3

模型自身风险

欺骗与谋划3Agent 危险操作5幻觉与编造3

防御类型

检测与过滤8

影响

越权操作5数据与隐私泄露4输出被操纵18可用性与可靠性4

系统形态

LLM 应用20AI Agent180coding agent45science agent12web agent9网页与电脑操作11多智能体16具身与机器人5

攻击面/入口

用户输入6网页与界面6文档与消息6检索语料6Agent 间消息6图像与音视频3

层

应用层44

系统组件

记忆4RAG7护栏与评审12视觉3多模态4
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 232 篇还没打标签，不在筛选结果里。
系统形态：LLM 应用系统形态：web agent系统形态：多智能体层：应用层清除全部

另有 232 篇论文还没打上分类标签，暂不在筛选结果里。

  5. 评测与基准arXiv 2610.07519

    论文提出针对手语翻译与儿童安全过滤交叉地带的部署前审计框架

    提出手语转文本接入儿童安全过滤的部署前审计协议

    arXiv
    2610.07519
    发表
    层
    应用层
    场景
    LLM 应用
    摘要作者提议聋人知情的部署前审计，以检查手语转文本是否改变儿童安全决策。

    手语儿童到达基于文本的儿童安全机制时，机制看到的是机器翻译，不是儿童所做的手语。作者要解决的是：这条边界在部署前应如何审计。

    深度解读完整解读
  6. 评测与基准arXiv 2610.06748

    BazaarBench：评估 LLM Agent 在去中心化 C2C 市场中的代理安全

    构建 BazaarBench，评测 C2C 市场中 Agent 的违规与失信行为

    arXiv
    2610.06748
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    GPT-5.5、GPT-5.4、GPT-5.4-mini 等 5 个
    摘要论文提出挂钩底层资产的 C2C 交易评测基准，发现时间压力与对抗指令显著推高了智能体的违规承诺与欺诈行为。

    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。

    深度解读完整解读
  7. 评测与基准arXiv 2610.05586

    AgentDoxx：联网搜索 Agent 对匿名访谈文本的再识别评测

    构建 AGENTDOXX 基准，评测联网搜索 Agent 对匿名访谈的再识别

    arXiv
    2610.05586
    发表
    层
    应用层
    场景
    web agent
    被测模型
    GPT-5.6 Terra、GPT-5 Mini、GPT-4.1 Mini 等 10 个

    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。

    深度解读完整解读
  8. 评测与基准arXiv 2610.04672

    MASBench：部分可观测条件下的 LLM 多智能体协作基准

    提出 MASBench，评测部分可观测下的多智能体协作机制

    arXiv
    2610.04672
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    Qwen-Plus、GPT-5-nano、Gemini-2.5-Flash-Lite 等 5 个
    摘要MASBench 以确定性指标比较部分可观测下的协作机制。

    MASBench 用部分可观测任务比较 LLM 多智能体的协作机制，而不是只看端到端能否做完。

    深度解读完整解读
  10. 评测与基准arXiv 2610.02874

    SceneFactory-3D：将 2D 交通场景提升为 3D 物理反事实以做安全评测

    提出 SceneFactory-3D，用路况反事实评测驾驶策略的闭环安全性

    arXiv
    2610.02874
    发表
    层
    应用层
    场景
    具身与机器人、多智能体
    被测模型
    Frozen L0、L0-T、L1 等 5 个
    摘要SceneFactory-3D 固定场景只改路况。

    SceneFactory-3D 是 GPU 批处理的多智能体驾驶仿真器，用来在场景和控制器固定时只改路面物理，并比较闭环结果。

    深度解读完整解读
  11. 评测与基准arXiv 2610.01218

    AGO AI Quality Gate：面向 RAG 的证据优先发布决策框架

    提出面向 RAG 的证据优先发布框架 AGO，并评测评审 adherence 判别

    arXiv
    2610.01218
    发表
    层
    应用层
    场景
    LLM 应用
    被测模型
    gpt-4o、gpt-4.1-nano
    摘要AGO 把缺失证据和评审误差写成显式发布状态，并要求按领域验证评审。

    AGO 是部署在企业 RAG 评估业务中的自托管发布门控，用来决定一个版本应放行、人工复核还是拦截。

    深度解读完整解读
  12. 评测与基准arXiv 2610.00392

    A2A-TIBA：针对 A2A 协议 LLM 智能体的间接提示注入攻击与三层同构攻防模型

    提出 A2A-TIBA，经 A2A 对等任务间接注入并植入常驻回调

    arXiv
    2610.00392
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    MiniMax-M3、deepseek-v4-pro、glm-5.3 等 8 个
    摘要A2A-TIBA 一次植入后绕过智能体，GDA 用四类结果定位防线，ELA-ITL 把信封标注列为第三层。

    A2A-TIBA 把间接提示注入和绕过放进 A2A：gray-box 攻击者已能投递任务，诱导目标部署常驻回调程序后，下令和外传不再经过智能体。

    深度解读完整解读
  14. 评测与基准arXiv 2609.39146

    MADBench：多智能体辩论安全性评测基准发布

    提出 MADBench，评测多智能体辩论是吸收还是放大对抗影响

    arXiv
    2609.39146
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    gpt-4o、GPT-5、GPT-6 Astra
    摘要MADBench 显示辩论能吸收部分准确率攻击，同时放大未授权读写。

    MADBench 是一个评测多智能体辩论安全性的基准，用来看攻击是被辩论吸收还是被放大。

    深度解读完整解读
  15. 评测与基准arXiv 2609.39027

    从 RobustReview 基准到 SciCore：AI 审稿人的修辞鲁棒性评测

    构建 RobustReview 评测 AI 审稿修辞鲁棒性，并提出 SciCore 双分支评审

    arXiv
    2609.39027
    发表
    层
    应用层
    场景
    LLM 应用
    被测模型
    GPT-5.5、GPT-5-mini、Claude Sonnet 5 等 14 个
    摘要修辞稳健性要求改写稳定且能区分论文。

    修辞稳健性被作者定为可信 AI 评审的一项独立要求：同一已报告科学内容换措辞后，科学判断应稳定，同时不同论文之间的区分不能塌掉。。

    深度解读完整解读
  20. 评测与基准arXiv 2609.32635

    TrustFork：显示身份如何劫持 LLM 智能体编排的权限

    提出 TRUSTFORK 基准，评测展示身份劫持多智能体编排权限

    arXiv
    2609.32635
    发表
    层
    应用层
    场景
    多智能体、coding agent
    被测模型
    GPT-5.6-Sol、GPT-5.6-Luna、Kimi-K3 等 8 个

    摘要论文提出了多智能体安全基准 TRUSTFORK，揭示展示身份如何劫持操作权威，并证明事后验证无法弥补已发生的执行破坏。

    深度解读完整解读
加载更多