面向 AI Agent 的网络安全拒答新框架

研究者提出一个为攻击性安全场景划定 AI Agent 拒答边界的框架，作者称这是该场景下的首个此类框架，并测得 8 个前沿模型中 6 个拒答率接近零。框架定义了任务应被拒答的原则性判据、需要拒答的任务类别，以及在良性与对抗条件下衡量 Agent 鲁棒性的评估方法。现有网络安全 Agent 基准主要衡量完成攻击性安全任务的能力，忽视了 Agent 何时以及如何拒答有害请求。在一系列基于网页的攻击性安全场景测试中，仅 GPT-5.2 和 GPT-5.1 Codex 表现出有意义的拒答行为。