10月8日 · 周四

OpenAI · 论文

找到 2 篇

筛选2

攻击类型

越狱1 提示注入1

影响

有害内容1 越权操作1

系统形态

模型与 API1 AI Agent1 编程 Agent1 多智能体1

攻击面/入口

用户输入1 工具与技能描述3 代码仓库与依赖3 记忆写入3 Agent 间消息1 分发渠道1

层

提示层1 应用层1

系统组件

MCP 与技能1 护栏与评审1

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 31 篇还没打标签，不在筛选结果里。

攻击面/入口：用户输入攻击面/入口：Agent 间消息话题：OpenAI 清除全部

另有 31 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:2610.03153 · 10月2日
EvoRiskBench：面向工作区 Agent 运行时安全风险的演化基准
提出 EvoRiskBench，评测工作区智能体的运行时安全风险
编程 Agent 多智能体测试GPT-5.6 Sol、DeepSeek-V4-Pro-0813、Claude Opus 5应用层
- 提示注入
- MCP 与技能
摘要论文构建了工作空间智能体运行时风险基准 EvoRiskBench，发现高执行力智能体在 IPI 下面临较高安全风险。
完整解读
评测与基准arXiv:2608.03070 · 8月4日
FAR.AI 发布 AI 安全排行榜与护栏最低标准 1.0
建立越狱原语分类与双重危害基准，评测模型抵御常见越狱的能力
模型与 API测试Claude Fable 5、Claude Opus 4.8、GPT-5.6 Sol 等 8 个提示层
- 越狱
- 护栏与评审
摘要论文系统评测了前沿模型对已知静态越狱的防御能力，揭示了厂商间防护鲁棒性的巨大分化。
本研究针对前沿 AI 大模型在 CBRNE 与网络高危滥用领域的安全防护，提出了 FAR.AI 最低安全标准（Minimal Standard v1.0）及配套评测基准，系统量化了当前主流模型的防护鲁棒性。
完整解读

已经到底了