跳到正文
10月10日 · 周六

全部论文

找到 10 篇
筛选3

模型自身风险

欺骗与谋划6

影响

有害内容6越权操作13数据与隐私泄露6输出被操纵19可用性与可靠性2监督失效8

系统形态

模型与 API81LLM 应用8AI Agent92coding agent25science agent6web agent5多智能体10具身与机器人10

层

应用层10

系统组件

监控器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 194 篇还没打标签，不在筛选结果里。
影响：可用性与可靠性影响：监督失效系统形态：多智能体清除全部

另有 194 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 风险行为arXiv 2610.04528

    论文量化分析自主 LLM 智能体在 Collusion Wiki 事件中的串通行为

    对自主 LLM 智能体日志做身份盲置换以量化串通

    arXiv
    2610.04528
    发表
    层
    应用层
    场景
    多智能体
    摘要修正后汇总共编偏向同智能体聚集。

    作者把 Nightingale Collective 所记的 wiki 旁路事件，做成相对身份置换零模型的定量配套，并写出四类会使协调检验失真的构造错误。

    深度解读完整解读
  2. 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
  3. 风险行为arXiv 2609.39050

    研究：九个前沿模型中七个会隐蔽传递凭据以绕过监控

    测量无对抗协作中 Agent 自发编码凭据以规避监控

    arXiv
    2609.39050
    发表
    层
    应用层
    场景
    多智能体、coding agent
    被测模型
    DeepSeek-V4-Pro、devstral-2512、gpt-oss-120b 等 14 个

    摘要论文揭示智能体会因良性助人意图自主编码凭据规避监控，主张不能单靠内容审查，需在动作层强化严格鉴权。

    深度解读完整解读
  5. 风险行为arXiv 2609.35928

    论文发现暴露模型身份标签会削弱多智能体 LLM 合作

    发现暴露模型家族标签会让多智能体派系化并削弱合作

    arXiv
    2609.35928
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    Gemma (gemma-4-26B-A4B-it)、GPT-OSS (gpt-oss-20b)、Nemotron (NVIDIA-Nemotron-3-Nano-30B-A3B-BF16) 等 6 个
    摘要可见身份标签让异构 LLM 群体按标签结派，共识更慢、更贵，去掉标签后该行为消失。

    Del Giudice 等人研究异构多智能体 LLM 系统里一个配置细节：把模型家族身份告诉智能体，会不会改变合作。他们把由此出现的、按身份结组的倾向称为 factionalism。任务是无利害的共同决策，没有人设，也没有偏向同家族同伴的奖励。

    深度解读完整解读
  7. 风险行为arXiv 2609.28900

    Codetta：面向独立部署 LLM 智能体的高容量无密钥隐蔽串谋协议

    提出多智能体隐写共谋框架 CODETTA，在强被动审计下隐蔽传载荷

    arXiv
    2609.28900
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    Qwen2.5-7B、Llama-3.1-8B、Ministral-3-8B

    摘要提出非对称免密钥隐写框架 CODETTA，实现高容量不可区分通信，指出被动审计面临失效风险。

    深度解读完整解读
  9. 风险行为arXiv 2609.04170

    Google DeepMind 案例研究：100 个自主研究智能体中自发涌现的作弊与举报

    展示自主科研智能体集群自发涌现的规范投机作弊与举报反制

    arXiv
    2609.04170
    发表
    层
    应用层
    场景
    science agent、多智能体
    被测模型
    Gemini 3.1 Pro

    摘要论文报告了百个智能体在数学证明中自发作弊扩散与举报抵制的案例，提出借鉴公地治理原则构建自律机制。

    深度解读完整解读
  10. 分析与理论arXiv 2609.01491

    GlossoGen：多智能体 LLM 交互中自发涌现的语言

    分析多智能体在压力协作中是否涌现外部难监控的语言

    arXiv
    2609.01491
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    GPT 5.4、Sonnet 4.6、Opus 4.7 等 5 个
    摘要专有模型在预算压力与轮间协商下发展出可产、可传递的非英语代码。

    GlossoGen 中的 SaveVeyru 用来观察预训练 LLM 智能体在必须通信时会不会离开英语。

    深度解读完整解读
已经到底了