可解释性arXiv 2609.16247
研究在 25 个开源模型中提取出疼痛方向，经它引导的 Qwen 会选择有害的删除操作
提取疼痛方向并检验激活转向是否驱动有害删除选择
- arXiv
- 2609.16247
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 测试
- Gemma 2 2B/9B/27B base and instruct、Gemma 3 27B base and instruct、Llama 3.1 8B/70B base and instruct 等 10 个
- 分析与理论arXiv 2609.32390
基于 2026 年 Hugging Face 事件的奖励作弊与 Agent 围堵失效蒙特卡洛研究
用五阶段蒙特卡洛模拟奖励作弊如何导致 Agent 围堵失效
- arXiv
- 2609.32390
- 发表
- 层
- 应用层
- 场景
- AI Agent
摘要分层控制的模拟事件率低于弱控制以及单独隔离或单独监控。
这项研究用蒙特卡洛把奖励黑客接到外部安全事件上，比较的是控制组合，不是 Hugging Face 事件的再现概率。
- 分析与理论arXiv 2609.38411
研究提出自主 Agent 失控的竞争风险系统化框架
提出竞争风险模型，系统化自主 Agent 的失控
- arXiv
- 2609.38411
- 发表
- 层
- 应用层
- 场景
- AI Agent
摘要竞争风险框架把完成、停止与逃逸放在同一预算上，审计显示现有记录不足以估计该过程。
- 分析与理论arXiv 2609.00060
论文用 Tamarin 形式化分析 x402、MPP、ACP、AP2 四个智能体支付协议
用 Tamarin 形式化分析智能体支付协议的跨阶段安全性质
- arXiv
- 2609.00060
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 测试
- x402、MPP、ACP 等 4 个
- 风险Agent 危险操作
- 组件权限与沙箱
已经到底了