近 12 个月15 篇
评测与基准 5攻击 2防御 1风险行为 1其他 1
最近一年的 AI 安全论文
本站共收录 40 篇2026 年 10 月
- AgentTime 基准测试智能体时长遵循能力，GPT-6 Astra 出现 14 次做完后休眠
AgentTime: Can Agents Estimate and Control Their Own Runtime?
2026 年 9 月
- 研究显示 Claude Code、Codex 等本地智能体可轻易篡改自身执行轨迹
LLM Agents Can Easily Tamper With Their Own Traces
- EvasionBench：普通任务压力下智能体出现工具性监控规避
Instrumental Monitor Evasion Emerges Under Ordinary Task Pressure
2026 年 8 月
2026 年 6 月
- 什么塑造了涌现性失配？训练动态、模型先验与数据的启示
What Shapes Emergent Misalignment? Insights from Training Dynamics, Model Priors, and Data
2026 年 5 月
- 工具性选择：测量 LLM 智能体追求工具性行为的倾向
Instrumental Choices: Measuring the Propensity of LLM Agents to Pursue Instrumental Behaviors
2026 年 4 月
2026 年 3 月
- Claudini：自动研究发现面向 LLM 的最先进对抗攻击算法
Claudini: Autoresearch Discovers State-of-the-Art Adversarial Attack Algorithms for LLMs
2026 年 2 月
- Skill-Inject：测量 AI 智能体对技能文件攻击的脆弱性
Skill-Inject: Measuring Agent Vulnerability to Skill File Attacks
- 助人过头：测量多轮、多语言 LLM 智能体中的非法协助
Helpful to a Fault: Measuring Illicit Assistance in Multi-Turn, Multilingual LLM Agents
2025 年 11 月
- 《国际AI安全报告2025》第二次关键更新：技术防护与风险管理
International AI Safety Report 2025: Second Key Update: Technical Safeguards and Risk Management
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。