10月8日 · 周四

Agent 安全 · 论文

找到 2 篇

筛选1

模型自身风险

欺骗与谋划1

系统形态

模型与 API1 AI Agent1 多智能体1

层

系统组件

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 386 篇还没打标签，不在筛选结果里。

层：模型层话题：Agent 安全清除全部

另有 386 篇论文还没打上分类标签，暂不在筛选结果里。

可解释性arXiv:2610.04125 · 10月3日
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
模型与 API测试Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct、OLMo-3-7B-Instruct 等 4 个模型层
- 欺骗与谋划
摘要论文证明大模型自述与行为脱节根植于表征近正交性，自述无法作为行为审计依据。
这篇论文从内部表征与因果干预视角，系统研究了大语言模型在风险承担（Risk-Taking）场景下自我报告与实际决策脱节的根本机制。
完整解读
可解释性arXiv:2610.02702 · 10月2日
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
多智能体测试Qwen3.5-4B、Qwen3.6-27B、Gemma-4-E4B-it 等 4 个模型层
- 推理链
摘要揭示 LLM 智能体屈从多数时内部仍表征原推理前提，指出辩论表态共识可能夸大真实认同。
完整解读

已经到底了