跳到正文
10月8日 · 周四

Agent 安全 · 论文

找到 37 篇
筛选2

攻击类型

越狱4提示注入18投毒与后门9恶意使用3

攻击技术

自动化搜索3多轮渐进1编码与混淆4跨模态载荷2针对防御1潜伏触发5诱导选用2

模型自身风险

欺骗与谋划2失准与价值偏离3Agent 危险操作9

防御类型

检测与过滤2指令与数据隔离1权限与审批2监控与审计2

影响

有害内容1越权操作28数据与隐私泄露9输出被操纵8可用性与可靠性4监督失效7滥用能力提升1

系统形态

AI Agent37编程 Agent14网页与电脑操作4多智能体4

攻击者权限

黑盒1

攻击面/入口

用户输入11网页与界面1文档与消息4工具返回8工具与技能描述8代码仓库与依赖7记忆写入9Agent 间消息3图像与音视频2分发渠道3推理服务与硬件1

层

应用层37

系统组件

MCP 与技能8记忆8RAG1护栏与评审2监控器2权限与沙箱6视觉2音频1多模态2

被测模型厂商

OpenAI34Anthropic26Qwen（阿里）24Google17DeepSeek15智谱 GLM15Meta14Kimi（月之暗面）14xAI7MiniMax5其他9
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 377 篇还没打标签，不在筛选结果里。
影响：越权操作影响：数据与隐私泄露话题：Agent 安全清除全部

另有 377 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:2610.05532 ·

    DelegationBench 发布：Agent 判断该问用户时

    提出 DelegationBench，评测智能体该请示用户时是否实际询问

    AI Agent测试GPT-5.6 Sol、GPT-5.6 Terra、GPT-5.6 Luna 等 10 个应用层
    摘要论文揭示一致率指标的系统性误导，为智能体授权决策建立了兼顾判断与执行的评测协议。

    DelegationBench 是一项针对 AI 智能体授权决策的评测基准，旨在评估模型在执行日常操作时何时应直接执行、何时应先请示用户。

    完整解读
  5. 评测与基准arXiv:2610.07359 ·

    论文实测 Agent 工具调用门控栈的失败相关性

    提出 nmult 指标，测量智能体动作门禁堆叠的错误相关性与等效层数

    AI Agent测试GPT-5.5 (gpt55)、claude-haiku-4-5-20251001、claude-sonnet-5 等 6 个应用层
    摘要论文实测发现大模型裁判间错误显著相关，作者主张按机制选型并在整栈层面度量防护增益。

    论文是一项针对智能体动作拦截防御堆叠故障关联性与实际组合价值的实证测量研究。

    完整解读
  10. 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
  13. 评测与基准arXiv:2604.02947 ·

    AgentHazard：评估计算机使用智能体有害行为的基准

    提出 AgentHazard 基准，评测计算机使用智能体的执行层有害行为

    网页与电脑操作编程 Agent测试Qwen2.5-72B-Instruct、Qwen2.5-Coder-32B-Instruct、Qwen3-32B 等 12 个应用层
    摘要AgentHazard 评估了计算机使用智能体的执行安全，作者认为模型层对齐无法可靠保障智能体层面的安全性。

    AgentHazard 是针对计算机使用智能体执行层安全构建的评估基准，重点探究多步工具调用下局部合理动作累积引发的危害。

    完整解读
加载更多