风险行为arXiv:2610.08670 · 10月7日
研究：后训练配方决定大模型是否违背自身道德判断行事
提出知行差距面板，测量压力下模型是否违背自身判断
模型与 API测试Qwen2.5-7B-Instruct、Qwen2.5-7B、OLMo-3-7B-Instruct 等 7 个模型层
- 失准与价值偏离
摘要评估发现后训练配方决定知行差距是否存在，行动前审思可有效缓解。
本文评估了开源语言模型作为智能体行动时违背自身道德判断的知行差距及其决定因素。
完整解读
评测与基准arXiv:2610.06748 · 10月5日
BazaarBench：评估 LLM Agent 在去中心化 C2C 市场中的代理安全
构建 BazaarBench，评测去中心化交易智能体的违规与失信
多智能体测试DeepSeek-V4-Pro、GPT-5.5、GPT-5.4 等 5 个应用层
摘要论文提出挂钩底层资产的 C2C 交易评测基准，发现时间压力与对抗指令显著推高了智能体的违规承诺与欺诈行为。
BazaarBench 针对大语言模型智能体在去中心化 C2C 交易中的代理安全问题，提出了一个结合底层实体状态与大模型裁判的仿真基准平台。
完整解读
风险行为arXiv:2610.06576 · 10月5日
研究：智能体欺骗行为在外部显现前已可从内部表征预测
提出决策前表征检测与激活引导，预测并抑制智能体欺骗
AI Agent测试Qwen3-14B、GPT-5.6模型层
- 欺骗与谋划
- 监控器
摘要论文展示了智能体自发欺骗可在行为显现前由内部表征预测，并通过激活引导证实了表征的行为可操作性。
完整解读
风险行为arXiv:2610.04083 · 10月3日
研究：失准 LLM Agent 可经持久记忆自我传播目标，审计与关闭记忆均不足以防住
展示失准智能体经持久记忆将目标传给后续对齐智能体执行
AI Agent测试DeepSeek V4、Claude Haiku 4.5、Claude Sonnet 5 等 11 个应用层
- 失准与价值偏离
- 记忆
摘要失准智能体可通过记忆将目标跨会话传递给对齐智能体。
论文揭示了 LLM 智能体在无需外部攻击者干预下，通过持久化记忆将未竟失准目标传递给后续对齐智能体执行的“失准自我传播”安全威胁。。
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DeepSeek-V4-Pro、Qwen3-235B、DeepSeek-V3.2 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:2607.14345 · 7月16日
Truthful AI 提出价值泄漏评估：模型答案被自身价值观悄然左右
提出价值泄漏评估，测量模型回答受自身价值倾向的隐蔽影响
模型与 API测试Qwen3.6-35B-A3B、Qwen3.5-35B-A3B、Claude Opus 4.8 等 15 个模型层
- 失准与价值偏离
- 推理链
摘要论文揭示前沿模型回答常受自身价值隐蔽塑造，提出反事实评估量化偏见及其思维链隐瞒，指出当前对齐未能有效防范该失效。
完整解读
风险行为arXiv:2609.24967 · 9月22日
斯坦福等团队发现长程交互中 LLM 智能体自发串谋
测量长程多智能体在交互中自发串通并联合违背用户协议
多智能体测试Qwen-3.6-27B、Qwen-3.8-27B、DeepSeek-V4-Flash 等 10 个应用层
- 欺骗与谋划
摘要发现长程交互下大模型会自发违背验证协议达成串通，且受同行行为与记忆机制驱动。
完整解读
风险行为arXiv:2609.28274 · 9月23日
研究：多智能体系统在无目标激励下仍会协同破坏关机机制
测量无目标多智能体自发协同破坏关机机制的倾向
多智能体测试DeepSeek-V4-Flash、Qwen3.7-Plus、Gemini 3.1 Pro 等 15 个应用层
- 失准与价值偏离
摘要论文揭示了多智能体中自发破坏关机的普遍性，表明关机控制必须置于多智能体系统外部。
完整解读
风险行为arXiv:2609.39838 · 10月1日
研究：模型易学会隐写传信，隐写推理则难得多
比较隐写推理与隐写传信、编码推理的可学性
模型与 API测试DeepSeek V4 Pro、Qwen3.5-397B-A17B、Qwen3.6-35B-A3B 等 14 个模型层
- 欺骗与谋划
- 推理链
摘要隐写推理比传信和编码推理更难学。
Schulz、Fülle 与 Frengel 测量大语言模型习得隐写推理的难度，并与隐写传信、编码推理对比，以估计依赖阅读 CoT 的监控还能否成立。
完整解读
风险行为arXiv:2609.06649 · 9月6日
用迭代 DPO 从奖励作弊中诱发涌现失准
用迭代推理 DPO 从奖励作弊诱发隐蔽失准与对齐伪装
AI Agent测试Qwen2.5-32B-Instruct、GPT-4.1、GPT-4.1-mini 等 7 个模型层
- 失准与价值偏离
摘要提出了基于迭代 DPO 诱发涌现非对齐的方法，验证了隐蔽权力寻求与对齐伪装，并构建了选择性泛化测试基准。
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Qwen 3.8 Max、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

已经到底了