AI 安全日报 2026 年 5 月 19 日

AI 安全日报 5 月 19 日汇总四篇论文，共同指向单元层面的安全属性在组合后会失效或被利用。Bugnot 等人系统梳理弱越狱变换两两串联时的相互作用，发现多数组合相互抵消或结构不兼容，仅少数产生叠加攻击效果（arXiv:2605.15598）。De Marzo 等人用统计物理方法模拟多个 LLM 群体的观点动态，发现小规模对抗子群可将群体永久锁定在失准状态，而个体层面的对齐评测无法察觉（arXiv:2605.10721）。Kumar 与 Ahuja 提出 LOCA，平均只需六处中间表示编辑即可让越狱输入产生拒答，且不同有害请求类别对应不同内部机制（arXiv:2605.00123）。Koran 等人评测 12 个 GPT-4.1-Mini 监控器，发现三种不同方法组成的集成在检测失准 Agent 行为上的增益是三个相同监控器的 2.4 倍（arXiv:2605.15377）。