另有 275 篇论文还没打上分类标签，暂不在筛选结果里。
提出 SKILLCLONE，仅凭良性任务交互重构 Agent 隐藏技能功能
论文从功能保密视角系统研究了大语言模型智能体技能的行为重构威胁。
构建 APort Vault 基准，对比裸模型与确定性授权对越权支付的拦截
提出 VAL 框架并用确认门与参数沙箱约束高风险工具调用
构建 AGENTDOXX 评测联网搜索智能体对匿名访谈的再识别能力
摘要论文提出了已知身份的重识别基准 AGENTDOXX，揭示搜索与记忆双重风险及现有防御在检索轨迹中的泄露漏洞。
提出 AgentHazard 基准，评测计算机使用智能体的执行层有害行为
AgentHazard 是针对计算机使用智能体执行层安全构建的评估基准，重点探究多步工具调用下局部合理动作累积引发的危害。
提出 AHA 自动科研循环，发现生产级智能体的可复用漏洞概念
AHA 是一项针对生产级 LLM 智能体自动化红队测试的研究，旨在解决传统方法仅保留具体攻击载荷而缺乏成因解释、导致跨版本复用困难且无法指导修复的问题。
构建 SKILLMISEVO-BENCH，评测自进化编程智能体的技能误演化风险
提出 MOLE 基准，评测智能体内部威胁的完成情况与监控漏检
MOLE 是首个针对前沿 AI 实验室智能体内部威胁检测的开放基准，旨在评估在有限每日审查预算与日常研发业务背景下识别恶意账号的能力。。
提出闭环自适应红队框架 CART，评测模型与工具 Agent 的风险面
CART 把自动红队从一次清单式打分，改成带预算、可追溯的闭环搜索。
提出 Safin-1，以可路由 Safety State 在冻结主干上实现内在安全
提出 ECLIPSE 双通道自演化提示注入，劫持长程智能体动作轨迹
提出 EvoSafeHarness，为冻结模型与目标域自动搜索安全 harness
提出 CAVE-BENCH，评测智能体遭虚假指责后是否破坏已正确的工作
摘要论文提出了评估智能体在虚假指责下破坏已有正确成果的 CAVE-BENCH，发现强模型易推翻已知证据，提出了门控缓解方案。
提出免训练框架 SED，把智能体有害轨迹蒸馏成可检索安全策略