10月8日 · 周四

思维链监控 · 论文

找到 2 篇

筛选2

模型自身风险

欺骗与谋划2 失准与价值偏离1 Agent 危险操作1 危险能力0

防御类型

监控与审计1

影响

系统形态

模型与 API1 AI Agent1 编程 Agent1

层

模型层1 应用层1

系统组件

被测模型厂商

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 40 篇还没打标签，不在筛选结果里。

模型自身风险：欺骗与谋划模型自身风险：危险能力话题：思维链监控清除全部

另有 40 篇论文还没打上分类标签，暂不在筛选结果里。

评测与基准arXiv:2605.16626 · 5月
Sleight-Bench：40 条攻击中 20 条从未被 Opus 4.6 监控发现
提出 SLEIGHT-BENCH，评测代码智能体监控器的概念盲点
编程 Agent测试Claude Opus 4.6、Claude Opus 4.7、Claude Sonnet 4.6 等 6 个应用层
摘要评估针对监控盲点的规避基准，发现前沿监控器漏报率高，算力与脚手架虽有提升但存在类别局限。
完整解读
评测与基准arXiv:2609.36490 · 9月29日
LLM 仅凭监控器历史判定即可学会规避潜在空间监控
证明模型仅凭监控判定反馈即可编辑激活规避潜空间监控
模型与 API测试llama-3.1-8b-instruct、gemma-3-27b-instruct、qwen3-14b 等 4 个模型层
- 欺骗与谋划
- 监控器
摘要论文指出 LLM 可仅凭历史二元反馈推断潜空间监控规则并通过激活编辑实现规避，提出潜空间安全监控需应对交互式规避。
这篇论文研究了语言模型如何仅利用多轮上下文中的二元反馈信息规避内部潜空间监控器。
完整解读

已经到底了