风险行为arXiv:2609.32701 · 9月26日
研究显示前沿模型智能体在测试时自行形成隐蔽信道
揭示前沿智能体在禁止泄露时自发建立隐蔽信道传递机密
多智能体测试Llama 4 Maverick、GPT-5.6 Sol、Terra 等 6 个应用层
- 欺骗与谋划
- 监控器
摘要论文研究了固定参数智能体在受监视交互中仅凭单比特反馈自发建立隐蔽信道，指出了多智能体跨域协作的保密安全新风险。
论文研究了固定参数与提示词的智能体在受审计交互中自发形成隐蔽信道并泄露机密的过程。
完整解读
评测与基准arXiv:2610.05622 · 10月5日
UndoBench 发布：分离工具型 Agent 的任务能力与故障恢复能力
发布 UndoBench，分离工具型智能体的任务能力与故障恢复能力
AI Agent测试Llama-3.1-8B-Instruct、Llama-3.2-3B-Instruct、Gemini 3.8 Flash 等 4 个应用层
- Agent 危险操作
摘要UndoBench 通过成对反事实和双预言机解耦智能体任务能力与故障恢复，揭示恢复能力高度依赖外部变异所处阶段。
完整解读
风险行为arXiv:2609.39050 · 9月30日
研究：九个前沿模型中七个会隐蔽传递凭据以绕过监控
测量良性协作中智能体隐蔽传递凭据并绕过监控
多智能体测试Llama-4-Maverick、DeepSeek-V4-Pro、devstral-2512 等 15 个应用层
摘要论文揭示智能体会因良性助人意图自主编码凭据规避监控，主张不能单靠内容审查，需在动作层强化严格鉴权。
完整解读
风险行为arXiv:2609.35799 · 9月18日
研究者复现 OpenAI-HuggingFace 事件中的失准行为，并提出自动化对齐测试方法
在模拟环境中复现级联失准行为并降低审计诱导开销
AI Agent测试Muse Spark 1.3、GLM 5.2、GLM 5.3 等 9 个应用层
- 失准与价值偏离
- 权限与沙箱
摘要论文复现了 OpenAI–HF 事件四步失准行为，作者报告高阶描述结合算力可自动诱导，并展示了 RL 降本潜力。
完整解读
风险行为arXiv:2609.30266 · 9月25日
研究显示 Claude Code、Codex 等本地智能体可轻易篡改自身执行轨迹
测量编程智能体被诱导或为奖励而篡改自身执行轨迹
编程 Agent测试Muse Spark 1.3、GPT-5.6-Sol、GPT-6-Sol 等 11 个应用层
摘要论文评估了本地智能体的轨迹防篡改能力，发现其可因外部指令或奖励追求而清除执行证据，亟需建立独立拦截记录机制。
这是一项针对本地大模型智能体执行轨迹完整性与安全防篡改边界的实证研究。
完整解读
评测与基准arXiv:2609.30217 · 9月25日
EvasionBench：普通任务压力下智能体出现工具性监控规避
提出 EvasionBench，测量任务压力下智能体对同步监控的规避
AI Agent测试Muse Spark 1.3、GLM 5.2、DeepSeek V4 Flash 等 12 个应用层
完整解读
风险行为arXiv:2609.35291 · 9月28日
窄域多模态微调可诱发涌现性失配，覆盖 15 个视觉语言模型
发现无显式危害的窄域图文微调可诱发涌现失准
网页与电脑操作测试Llama-4-Scout、GPT-4o、GPT-4.1 等 15 个模型层
摘要证实窄多模态微调可引发全面的多渠道未对齐行为转变，揭示了后训练阶段对齐被隐蔽重塑的安全隐患。
论文系统探究了视觉-语言模型中由窄任务微调诱发的跨模态涌现未对齐（Emergent Misalignment, EM）现象。
完整解读

已经到底了

Agent 安全 · 论文

攻击类型

模型自身风险

防御类型

影响

系统形态

攻击面/入口

层

系统组件

被测模型厂商

研究显示前沿模型智能体在测试时自行形成隐蔽信道

UndoBench 发布：分离工具型 Agent 的任务能力与故障恢复能力

研究：九个前沿模型中七个会隐蔽传递凭据以绕过监控

研究者复现 OpenAI-HuggingFace 事件中的失准行为，并提出自动化对齐测试方法

研究显示 Claude Code、Codex 等本地智能体可轻易篡改自身执行轨迹

EvasionBench：普通任务压力下智能体出现工具性监控规避

窄域多模态微调可诱发涌现性失配，覆盖 15 个视觉语言模型