Screwtape：用于监控红队测试的对抗性轨迹编辑

Redwood Research 提出 Screwtape，一条把真实 Agent 轨迹逐轮改写成能绕过只看动作的监控的攻击流水线，由 LLM 验证器判断攻击是否真实、有害且可行。团队用基于 Opus 4.8 和 Gemini 3.1 Pro 的自建代理监控，在 94 条唯一轨迹上运行 252 次，得到 35 个绕过自家监控的攻击，其中 6 个也绕过了某前沿开发者的留出监控并经人工复核确认。作者称该流水线更适合修补监控盲区而非给出量化安全估计，且暂不公开实现。