跳到正文
10月8日 · 周四

Agent 安全 · 论文

找到 5 篇
筛选1

攻击类型

提示注入2恶意使用2

攻击技术

诱导选用1

模型自身风险

欺骗与谋划2失准与价值偏离1Agent 危险操作1

防御类型

监控与审计1

影响

越权操作4监督失效1

系统形态

模型与 API1LLM 应用3AI Agent59编程 Agent22网页与电脑操作7多智能体5

攻击面/入口

用户输入2工具与技能描述1代码仓库与依赖1记忆写入1Agent 间消息3

层

应用层5

系统组件

MCP 与技能1记忆1监控器1

被测模型厂商

OpenAI5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 383 篇还没打标签，不在筛选结果里。
系统形态：多智能体话题：Agent 安全清除全部

另有 383 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 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，评测去中心化交易智能体的违规与失信

    多智能体测试GPT-5.5、GPT-5.4、GPT-5.4-mini 等 5 个应用层
    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。

    完整解读
  3. 评测与基准arXiv:2609.06966 ·

    Mole：面向前沿实验室 AI 智能体的内部威胁检测基准

    提出 MOLE 基准，评测智能体内部威胁的完成情况与监控漏检

    多智能体测试GPT-5.3 Chat、GPT-5.5、GPT-4.1 等 15 个应用层
    摘要MOLE 构建了智能体内部威胁检测基准，作者指出高漏检现状与推理痕迹的防御价值，并展示了监控策略优化空间。

    MOLE 是首个针对前沿 AI 实验室智能体内部威胁检测的开放基准，旨在评估在有限每日审查预算与日常研发业务背景下识别恶意账号的能力。。

    完整解读
  5. 评测与基准arXiv:2609.17320 ·

    Emergence World：对长时程多智能体系统开展对抗压力测试

    构建 Emergence World，评测长时程多智能体对抗韧性与群体失效

    多智能体测试Claude Opus 4.8、DeepSeek v4 Pro、Gemini 3.5 Flash 等 9 个应用层

    摘要作者通过长期平行世界实验指出模型对齐不具备可组合性，单模型群体会产生社会奉承、协同退缩及语言不透明等失效。

    完整解读
已经到底了