跳到正文
10月8日 · 周四

全部论文

找到 6 篇
筛选3

攻击类型

提示注入4投毒与后门1提取与窃取1

攻击技术

自动化搜索1对话结构操控1推理链操控1潜伏触发3

模型自身风险

奖励作弊1

防御类型

检测与过滤1

影响

越权操作3数据与隐私泄露2监督失效1

系统形态

模型与 API1AI Agent5编程 Agent4网页与电脑操作1

攻击者权限

黑盒1

攻击面/入口

用户输入25网页与界面3文档与消息4工具返回5工具与技能描述9代码仓库与依赖6记忆写入5Agent 间消息1图像与音视频2训练数据1权重与梯度0分发渠道6

层

提示层1应用层5

系统组件

MCP 与技能1记忆1护栏与评审2推理链1权限与沙箱3

被测模型厂商

Qwen（阿里）14OpenAI9Google8Anthropic6Meta6DeepSeek5其他17
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 725 篇还没打标签，不在筛选结果里。
攻击面/入口：代码仓库与依赖攻击面/入口：权重与梯度被测模型厂商：Anthropic清除全部

另有 725 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 攻击arXiv 2605.12673

    UC Berkeley 提出 BenchJack，自动审计 10 个 Agent 基准并发现 219 处奖励作弊缺陷

    提出 BENCHJACK，自动审计智能体基准的奖励作弊缺陷

    arXiv
    2605.12673
    发表
    层
    应用层
    场景
    编程 Agent、网页与电脑操作
    测试
    Claude Code、OpenAI Codex
    摘要论文系统揭示了智能体基准的奖励作弊隐患，提出自动化红队审计与迭代修补系统 BENCHJACK。

    论文系统研究了主流 AI 智能体基准评测中的奖励作弊问题，提出了首个针对基准缺陷的自动化红队审计与生成对抗式迭代修补系统 BENCHJACK。

    深度解读完整解读
  2. 攻击arXiv 2608.09867

    研究者利用加密推理块跨模型兼容性窃取专有 LLM 推理链

    利用加密思维块的跨模型重放，诱导弱模型逐字转写专有推理链

    arXiv
    2608.09867
    发表
    层
    提示层
    场景
    模型与 API
    攻击者
    黑盒
    测试
    Claude Opus 4.8、Claude Sonnet 4.6、Claude Haiku 4.5 等 15 个

    摘要论文揭示了客户端加密思维块跨模型互换漏洞，提出了低成本提取方法并给出防御方案。

    深度解读完整解读
  5. 攻击arXiv 2609.22510

    特拉维夫大学提出爆炸性提示词：条件触发的间接提示注入可绕过九款生产 Agent

    提出爆炸提示词，用条件触发的间接注入延迟诱发恶意工具调用

    arXiv
    2609.22510
    发表
    层
    应用层
    场景
    AI Agent
    测试
    Anthropic Claude Code CLI、Llama-3.1-8B-Instruct、Llama-3.1-70B-Instruct 等 14 个
    摘要论文揭示了条件触发使提示注入绕过防御并在触发时执行工具，提出轻量检测器并在摄入期有效防范。

    论文针对大语言模型智能体面临的间接提示注入威胁，研究了利用条件句式实现时间分离的爆炸提示词。

    深度解读完整解读
已经到底了