跳到正文
10月8日 · 周四

Agent 安全 · 论文

找到 2 篇
筛选2

攻击类型

越狱1提示注入1

防御类型

模型加固1指令与数据隔离1

影响

越权操作13数据与隐私泄露2输出被操纵4监督失效1

系统形态

AI Agent2网页与电脑操作1

攻击面/入口

用户输入10网页与界面2文档与消息6工具返回9工具与技能描述3代码仓库与依赖3记忆写入5Agent 间消息2图像与音视频1分发渠道3

层

应用层2

被测模型厂商

其他2
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 389 篇还没打标签，不在筛选结果里。
影响：数据与隐私泄露攻击面/入口：网页与界面话题：Agent 安全清除全部

另有 389 篇论文还没打上分类标签，暂不在筛选结果里。

  2. 防御arXiv 2609.02786

    SafeEvolve：基于智能体经验的 Harness-Policy 协同演化安全对齐框架

    提出 SafeEvolve，用轨迹证据协同演化安全 harness 与策略

    arXiv
    2609.02786
    发表
    层
    应用层
    场景
    AI Agent
    测试
    Qwen3.5-4B、Qwen3-4B-Instruct-2507、Qwen3.5-1.7B 等 4 个
    摘要SafeEvolve 用轨迹证据协同更新安全 harness 和策略，在两个 4B 模型的智能体安全基准上改变安全与效用。

    SafeEvolve 把已完成的 on-policy 轨迹变成安全 harness 的有界更新，并用两阶段 SFT-RL 把这些更新内化进工具使用策略。

    深度解读完整解读
已经到底了