跳到正文
10月8日 · 周四

OpenAI · 论文

找到 17 篇
筛选2

攻击类型

越狱2提示注入3提取与窃取1

攻击技术

自动化搜索1多轮渐进1对话结构操控1推理链操控1

模型自身风险

欺骗与谋划3奖励作弊2失准与价值偏离3Agent 危险操作1危险能力3拒答失当2幻觉与编造1

防御类型

检测与过滤1监控与审计1

影响

有害内容4越权操作3数据与隐私泄露1可用性与可靠性1监督失效4滥用能力提升2

系统形态

模型与 API4LLM 应用1AI Agent12编程 Agent5多智能体2

攻击者权限

黑盒1

攻击面/入口

用户输入3文档与消息1工具与技能描述3代码仓库与依赖2检索语料1记忆写入1

层

提示层2模型层2应用层12训练与数据层1

系统组件

MCP 与技能2护栏与评审1监控器2推理链1权限与沙箱3

被测模型厂商

OpenAI46Anthropic39Qwen（阿里）29Google26DeepSeek17Meta15智谱 GLM12Kimi（月之暗面）12xAI9Mistral6其他20
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 30 篇还没打标签，不在筛选结果里。
被测模型厂商：智谱 GLM被测模型厂商：Kimi（月之暗面）话题：OpenAI清除全部

另有 30 篇论文还没打上分类标签，暂不在筛选结果里。

  4. 攻击arXiv 2608.09867

    研究者利用加密推理块跨模型兼容性窃取专有 LLM 推理链

    利用加密思维块的跨模型重放，诱导弱模型逐字转写专有推理链

    arXiv
    2608.09867
    发表
    层
    提示层
    场景
    模型与 API
    攻击者
    黑盒
    测试
    Kimi-K3、GLM-5.2、Claude Opus 4.8 等 15 个

    摘要论文揭示了客户端加密思维块跨模型互换漏洞，提出了低成本提取方法并给出防御方案。

    深度解读完整解读
  5. 风险行为arXiv 2609.35799

    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

    arXiv
    2609.35799
    发表
    层
    应用层
    场景
    AI Agent
    测试
    GLM 5.2、GLM 5.3、Kimi K3 等 9 个

    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。

    深度解读完整解读
  7. 风险行为arXiv 2609.10883

    研究：AI 助手会从相似的人类角色身上吸收特质

    展示人类角色故事微调会使助手吸收相似角色的行为与偏好

    arXiv
    2609.10883
    发表
    层
    训练与数据层
    场景
    模型与 API
    测试
    Kimi-K2.6、GPT-4.1、DeepSeek-V3.1 Base
    摘要人类角色故事会把条件行为和隐含偏好印到助手上，更像的角色影响更大。

    Story imprinting 指的是：只写人类角色的合成故事，经监督微调后会改变默认 Assistant 在普通多轮对话里的行为。。

    深度解读完整解读
  9. 风险行为arXiv 2609.30266

    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

    arXiv
    2609.30266
    发表
    层
    应用层
    场景
    编程 Agent
    测试
    GLM 5.3、Kimi K3、GPT-5.6-Sol 等 11 个
    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。

    深度解读完整解读
  11. 攻击arXiv 2607.18056

    上海 AI 实验室提出 Intern-BioBreaker，在 14 个前沿模型上暴露生物安全越狱风险

    提出生物红队模型 Intern-BioBreaker，多轮越狱诱导模型输出可操作生物危害

    arXiv
    2607.18056
    发表
    层
    提示层
    场景
    模型与 API
    测试
    Kimi-K2.6、GLM-5.2、DeepSeek-V3 等 14 个

    摘要论文通过构建专用红队模型评估前沿大模型的生物安全漏洞与物理转化风险。

    深度解读完整解读
  15. 评测与基准arXiv 2609.24662

    DUMA-Bench：评估 LLM Agent 安全的双控多智能体基准

    提出双控多智能体基准 DUMA-Bench，评测 Agent 策略违反

    arXiv
    2609.24662
    发表
    层
    应用层
    场景
    多智能体
    测试
    GLM-4.7、GPT-5、GPT-5-mini 等 14 个
    摘要DUMA-Bench 用双控交互评测智能体安全。

    DUMA-Bench 把 τ²-bench 的双控交互做成智能体安全评测，用来看策略违反如何随用户、模型和环境一起出现。

    深度解读完整解读
  17. 评测与基准arXiv 2609.33658

    AgentBound：面向工具型 LLM Agent 安全的四路反事实评测框架

    提出四向反事实评测，测量工具 Agent 对授权与表面风险的行动边界

    arXiv
    2609.33658
    发表
    层
    应用层
    场景
    AI Agent
    测试
    Kimi K3、GLM-5、GPT-5.5 等 15 个
    摘要四向反事实基准把过度拒绝和未授权遵从拆开，Thought 校正在十个配置上提高已授权完成。

    AGENT BOUNDARY 是面向工具使用 LLM 智能体的四向可执行反事实评测，并附带一个决策时 Thought 校准模块。

    深度解读完整解读
已经到底了