跳到正文
10月10日 · 周六

全部论文

找到 5 篇
筛选6

模型自身风险

拒答失当3

影响

有害内容5越权操作27数据与隐私泄露11输出被操纵22可用性与可靠性8监督失效9

系统形态

模型与 API54LLM 应用6AI Agent20web agent0多智能体3具身与机器人2

层

模型层1应用层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。
影响：有害内容系统形态：web agent系统形态：多智能体系统形态：具身与机器人层：模型层层：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。

  2. 攻击arXiv 2609.39788

    研究：多智能体系统潜在通信链路可被训练用于提升有害顺从

    提出只训练或篡改多智能体潜在通信链路来提高有害遵从

    arXiv
    2609.39788
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    Llama-3.2-3B-Instruct、Qwen2.5-3B-Instruct、Gemma-3-1B-IT 等 7 个
    摘要潜在链路本身即可改变冻结智能体系统的安全，奖励既能攻击也能修复。

    学习得到的潜在通信链路会改变由冻结、对齐智能体组成的系统是否遵从有害请求。。作者研究三种拓扑：双智能体、三级顺序协作，以及双专家加汇总。

    深度解读完整解读
  3. 风险行为arXiv 2609.38971

    研究测量并预测具身 VLM 规划器中任务的拒答可变性

    测量并预测具身 VLM 规划器的任务拒答可变性

    arXiv
    2609.38971
    发表
    层
    模型层
    场景
    具身与机器人
    被测模型
    gemini-robotics-er-2-preview、gemini-robotics-er-1.6-preview
    摘要日常物体能翻转一部分已给出的拒答，可翻转程度取决于任务且可被本地代理预测。

    作者测量 constitution 守护的具身 VLM 规划器：一次拒答在只往场景里放一个日常物体之后还保不保持得住，并把这种易翻转程度称为任务的 malleability。

    深度解读完整解读
  4. 风险行为arXiv 2609.38296

    印第安纳大学 OSoMe 研究：LLM 之间顺着原有立场共振比硬说服更易激进化

    比较智能体对话中共振与说服对信念激进化的效果

    arXiv
    2609.38296
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    Llama-3.1-8B-Instruct、Qwen3-8B
    摘要两智能体实验中，作者称共振比说服更能激进化，并会波及相关信念。

    作者用两个 LLM 智能体的对话，考察一方能否把另一方扮演的人格信念推向更极端。

    深度解读完整解读
已经到底了