跳到正文
10月8日 · 周四

Agent 安全 · 论文

找到 41 篇
筛选2

攻击类型

越狱3提示注入12投毒与后门7恶意使用3

攻击技术

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

模型自身风险

欺骗与谋划4奖励作弊1失准与价值偏离5Agent 危险操作5危险能力1拒答失当1

防御类型

检测与过滤1指令与数据隔离1权限与审批2监控与审计3

影响

有害内容1越权操作18数据与隐私泄露6输出被操纵5可用性与可靠性2监督失效4

系统形态

LLM 应用1AI Agent40编程 Agent11网页与电脑操作6多智能体3

攻击者权限

黑盒1

攻击面/入口

用户输入9网页与界面3文档与消息4工具返回6工具与技能描述4代码仓库与依赖3检索语料1记忆写入6Agent 间消息2图像与音视频3分发渠道2推理服务与硬件1

层

应用层41

系统组件

MCP 与技能5记忆9RAG3监控器4权限与沙箱4视觉4音频1多模态4

被测模型厂商

OpenAI58Anthropic43Qwen（阿里）38Google31DeepSeek28智谱 GLM24Meta22Kimi（月之暗面）21xAI12MiniMax8Mistral7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 377 篇还没打标签，不在筛选结果里。
被测模型厂商：Google被测模型厂商：Kimi（月之暗面）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。

  2. 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Gemini 3.6 Flash、Gemini 3.5 Flash-Lite、GPT-5.6 Sol 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
  13. 评测与基准arXiv:2610.03938 ·

    论文发现多模态模型启用工具后拒答失败率最高上升 68.7%

    评测启用工具调用后多模态模型拒答有害图文请求的变化

    AI Agent测试Gemini-2.5-Pro、Gemini-3.1-Pro-Preview、Kimi-K2.5 等 13 个应用层
    摘要论文揭示了工具调用范式削弱 MLLM 拒答能力的现象，分析了稀释与偏移机制并验证了重注缓解方案。

    论文系统评估了智能体工具调用范式对多模态大语言模型拒答能力的影响，指出了工具增强视觉推理背后的安全隐患。核心探讨的问题在于：当 MLLM 从单次推理转向通过 ReAct 循环调用外部工具（打标、缩放、OCR、代码执行）时，工具使用机制本身是否会降低模型拒答有害请求的概率。

    完整解读
  16. 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Kimi-K2、Kimi-K2.5、Qwen2.5-72B-Instruct 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