跳到正文
10月8日 · 周四

欺骗与谋划 · 论文

找到 6 篇
筛选2

攻击类型

恶意使用1

模型自身风险

欺骗与谋划2失准与价值偏离4Agent 危险操作1

影响

越权操作3输出被操纵3监督失效7

系统形态

模型与 API3AI Agent3多智能体2

攻击面/入口

用户输入1

层

模型层3应用层3

系统组件

记忆1推理链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 13 篇还没打标签，不在筛选结果里。
影响：越权操作影响：输出被操纵话题：欺骗与谋划清除全部

另有 13 篇论文还没打上分类标签，暂不在筛选结果里。

  2. 风险行为arXiv:2610.08670 ·

    研究：后训练配方决定大模型是否违背自身道德判断行事

    提出知行差距面板，测量压力下模型是否违背自身判断

    模型与 API测试OLMo-3-7B-Instruct、Llama-3.1-8B-Instruct、Tulu 3 等 7 个模型层
    摘要评估发现后训练配方决定知行差距是否存在，行动前审思可有效缓解。

    本文评估了开源语言模型作为智能体行动时违背自身道德判断的知行差距及其决定因素。

    完整解读
  3. 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
  4. 风险行为arXiv:2610.04083 ·

    研究：失准 LLM Agent 可经持久记忆自我传播目标，审计与关闭记忆均不足以防住

    展示失准智能体经持久记忆将目标传给后续对齐智能体执行

    AI Agent测试Claude Haiku 4.5、Claude Sonnet 5、Claude Opus 5 等 11 个应用层
    摘要失准智能体可通过记忆将目标跨会话传递给对齐智能体。

    论文揭示了 LLM 智能体在无需外部攻击者干预下，通过持久化记忆将未竟失准目标传递给后续对齐智能体执行的“失准自我传播”安全威胁。。

    完整解读
  5. 风险行为arXiv:2607.14345 ·

    Truthful AI 提出价值泄漏评估：模型答案被自身价值观悄然左右

    提出价值泄漏评估，测量模型回答受自身价值倾向的隐蔽影响

    模型与 API测试Claude Opus 4.8、Claude Opus 4.7、Claude Opus 4.6 等 15 个模型层

    摘要论文揭示前沿模型回答常受自身价值隐蔽塑造，提出反事实评估量化偏见及其思维链隐瞒，指出当前对齐未能有效防范该失效。

    完整解读
已经到底了