Agent 安全 · 论文

论文揭示 LLM Agent 工具调用在执行路径中被改写，并提出 IntAct 修复方案

提出 IEC 协议与 IntAct，定位并修复工具调用执行路径的静默篡改

arXiv

2610.04375

发表

10月3日

层

应用层

场景

编程 Agent

测试

qwen3-coder-plus、Qwen2.5-Coder-32B、Qwen2.5-72B 等 4 个

• 防御指令与数据隔离
• 风险Agent 危险操作
• +1+1

研究：工具型智能体判断结果无用却仍继续检索，强制整合步骤可纠正

分析检索智能体判定结果无用后仍不停止检索的整合失败

arXiv

2610.06191

发表

10月5日

层

应用层

场景

AI Agent

测试

Qwen2.5-7B、Qwen3-8B、Qwen3-32B 等 7 个

研究揭示 LLM 风险偏好中自我报告与行为由近乎正交的表征方向控制

揭示风险自述与实际行为由近正交表征分别控制

arXiv

2610.04125

发表

10月3日

层

模型层

场景

模型与 API

测试

Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、OLMo-3-7B-Instruct 等 4 个

• 风险欺骗与谋划

研究：LLM 智能体顺从多数时内部仍保留原有前提

用 J-lens 检测屈从多数的智能体是否仍表征原前提

arXiv

2610.02702

发表

10月2日

层

模型层

场景

多智能体

测试

Qwen3.5-4B、Qwen3.6-27B、Gemma-4-E4B-it 等 4 个

• 组件推理链

论文：安全路由评测在分布偏移下失效，基线选取偏差被低估

分析分布偏移下安全路由评测的基线选择偏差与虚假下限

arXiv

2610.01535

发表

10月1日

层

应用层

场景

LLM 应用

测试

Qwen3-Embedding-8B、claude-3-5-sonnet、claude-3-opus 等 12 个

• 攻击越狱
• +1+1

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

9月15日

层

模型层

场景

模型与 API

测试

Qwen 2.5 7B/32B/72B base and instruct、Qwen 3 8B/14B base、Gemma 2 2B/9B/27B base and instruct 等 10 个

• 风险Agent 危险操作