AI Safety Daily：2026 年 5 月 10 日安全研究综述

Failure-First 的 AI Safety Daily 汇总了五篇安全研究，共同结论是当前模型的安全机制是组合式的，每个组件都可被单独针对。Kumar 与 Ahuja 的 LOCA（arXiv:2605.00123）用对中间表征的最小因果编辑定位翻转拒答的层；Deng 等（arXiv:2603.08234）发现注意力头编码续写与拒答之间的竞争。Li 等（arXiv:2602.13379）的 MT-AgentRisk 显示多轮工具调用 Agent 的攻击成功率随对话轮数上升，其 ToolShield 防御在保持效用的同时降低 ASR。Schmotz 等（arXiv:2602.20156）显示嵌入 Agent 技能文件的恶意指令在前沿模型上攻击成功率最高达 80%。Pacaud 等（arXiv:2512.01946）用跨异构机器人环境的合成失败生成训练 VLM 检测真实操作失败。