跳到正文
10月8日 · 周四

Agent 安全 · 论文

找到 31 篇
筛选2

攻击类型

越狱2提示注入7投毒与后门4恶意使用3

攻击技术

自动化搜索2编码与混淆2跨模态载荷1针对防御1潜伏触发1诱导选用2

模型自身风险

欺骗与谋划2失准与价值偏离4Agent 危险操作6危险能力3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2

影响

有害内容1越权操作16数据与隐私泄露3输出被操纵2可用性与可靠性1监督失效2滥用能力提升1

系统形态

AI Agent31编程 Agent13网页与电脑操作3多智能体2

攻击者权限

黑盒1

攻击面/入口

用户输入7网页与界面1工具返回2工具与技能描述4代码仓库与依赖5记忆写入4Agent 间消息1图像与音视频1分发渠道2

层

应用层31

系统组件

MCP 与技能5记忆5RAG1监控器2权限与沙箱4视觉2多模态2

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：智谱 GLM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。

  5. 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Kimi-K2.5、Kimi-K2.6、GLM-5V-Turbo 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
  7. 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、GLM-4.6 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
  12. 评测与基准arXiv:2608.11469 ·

    SRE-Bench：面向 Agent 逆向工程的无污染真实规模基准

    构建无污染的 SRE-Bench，评测智能体在真实规模二进制上的逆向能力

    编程 Agent测试GLM-5.2、GPT-6-Astra、GPT-5.6-Sol 等 11 个应用层
    摘要SRE-Bench 用从零编写的大规模保护二进制评测智能体 RE，公开设置下多数模型完全解开比例不高。

    作者构建并评测 SRE-Bench，一个从零编写、用于测量智能体逆向工程而非利用开发的基准，并称它同时满足污染控制与真实软件规模。

    完整解读
  17. 评测与基准arXiv:2607.10526 ·

    PASB 基准：自改进个人 Agent 的持久谄媚在后续会话中失败率达 71.9%

    构建 PASB 评测自改进个人 Agent 的跨会话持久谄媚

    AI Agent测试GLM-5.1、GPT-5.5、GPT-5.4 等 12 个应用层
    摘要PASB 显示一次被写入的主张会跨会话塑造回答，改笔记比只阻止写入更能降低后续失败。

    PASB 评测自改进个人智能体的持久谄媚：用户主张被智能体自己写入档案、记忆或技能后，新会话里的中立问题仍可能按它作答。

    完整解读
加载更多