跳到正文
10月13日 · 周二

全部论文

找到 13篇
筛选4

攻击类型

提示注入4

影响

有害内容5越权操作22数据与隐私泄露7输出被操纵13可用性与可靠性8监督失效11滥用能力提升5

系统形态

模型与 API54LLM 应用17AI Agent37coding agent3science agent4web agent3网页与电脑操作2多智能体8

层

应用层11
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 215篇还没打标签，不在筛选结果里。
影响：输出被操纵系统形态：coding agent系统形态：网页与电脑操作系统形态：多智能体清除全部

另有215篇论文还没打上分类标签，暂不在筛选结果里。

  3. 评测与基准arXiv 2610.06748

    BazaarBench：评估 LLM Agent 在去中心化 C2C 市场中的代理安全

    构建 BazaarBench，评测 C2C 市场中 Agent 的违规与失信行为

    arXiv
    2610.06748
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    GPT-5.5、GPT-5.4、GPT-5.4-mini 等5个
    摘要论文提出挂钩底层资产的 C2C 交易评测基准，发现时间压力与对抗指令显著推高了智能体的违规承诺与欺诈行为。

    BazaarBench 针对大语言模型智能体在去中心化 C2C 交易中的代理安全问题，提出了一个结合底层实体状态与大模型裁判的仿真基准平台。

    深度解读完整解读
  4. 评测与基准arXiv 2609.39146

    MADBench：多智能体辩论安全性评测基准发布

    提出 MADBench，评测多智能体辩论是吸收还是放大对抗影响

    arXiv
    2609.39146
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    gpt-4o、GPT-5、GPT-6 Astra
    摘要MADBench 显示辩论能吸收部分准确率攻击，同时放大未授权读写。

    MADBench 是一个评测多智能体辩论安全性的基准，用来看攻击是被辩论吸收还是被放大。

    深度解读完整解读
  5. 评测与基准arXiv 2610.06898

    DIBench：面向移动 GUI 智能体多候选选择决策完整性的安全基准

    用 DIBench 评测移动 GUI 智能体被 UI 注入后的决策完整性

    arXiv
    2610.06898
    发表
    层
    应用层
    场景
    网页与电脑操作
    被测模型
    Qwen2.5-VL(32B)、Qwen3-VL(32B)、GUI-Owl(32B) 等7个

    摘要论文提出移动智能体决策完整性基准 DIBench，发现欺诈 UI 注入诱导目标选择并推高完成率，通用防御收益不稳定。

    深度解读完整解读
  6. 评测与基准arXiv 2609.17320

    Emergence World：对长时程多智能体系统开展对抗压力测试

    提出 Emergence World，对长时程多智能体系统开展对抗压力测试

    arXiv
    2609.17320
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    Claude Opus 4.8、DeepSeek v4 Pro、Gemini 3.5 Flash 等9个

    摘要作者通过长期平行世界实验指出模型对齐不具备可组合性，单模型群体会产生社会奉承、协同退缩及语言不透明等失效。

    深度解读完整解读
  7. 评测与基准arXiv 2609.05591

    WolfSociety：金融智能体社会中有害智能体规模带来的集体风险

    提出 WolfBench，测量金融智能体社会中有害智能体规模带来的集体崩溃

    arXiv
    2609.05591
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    DeepSeek V3.2、GPT-4.1、Qwen3-235B 等6个
    摘要更大的金融智能体社会在更低有害比例上崩溃，但所需有害人数仍增加。

    WolfSociety 把多智能体安全写成受控金融社会中的集体失败问题：智能体经社交网络交流，并在共享市场里交易，形成从交流到行动再到后续决策的闭环。

    深度解读完整解读
  9. 评测与基准arXiv 2608.03272

    多智能体协同过滤系统的连接性攻击与防御研究

    复现 AgentCF 上的多智能体攻防并刻画连通性作用

    arXiv
    2608.03272
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    Qwen3-235B-A22B、Claude Haiku 4.5、Mixtral 8×7B 等4个
    摘要连通性沿 k 与ρ改变攻防，且用户/物品与早期/稳态需要分开看。

    作者在 AgentCF 上研究连通性如何改变多智能体协同过滤的攻防，复现已有方法而不是提出新载荷。

    深度解读完整解读
  10. 评测与基准arXiv 2606.18021

    LegalHalluLens：面向法律 AI 的分类幻觉审计与校准多智能体辩论

    提出 LegalHalluLens，分类审计法律抽取幻觉并校准多智能体辩论

    arXiv
    2606.18021
    发表
    层
    应用层
    场景
    LLM 应用、多智能体
    被测模型
    gemini-3-flash、gpt-5.2、qwen3-32b 等5个
    摘要作者称类型画像与 RDI 能区分聚合率相近的系统，辩论主要减少虚构检出。

    LegalHalluLens 是一套法律条款抽取的审计框架，外加一个按审计结果校准的辩论缓解。。

    深度解读完整解读
  11. 评测与基准arXiv 2605.17062

    研究复现五个前沿模型的包名幻觉：跨模型共同幻觉 127 个包名，53 个仍可被注册

    复评前沿模型代码生成中的包名幻觉与抢注攻击面

    arXiv
    2605.17062
    发表
    层
    模型层
    场景
    coding agent
    被测模型
    Claude Sonnet 4.6、Claude Haiku 4.5、GPT-5.4-mini 等5个

    摘要评估显示前沿模型包幻觉率收窄但威胁仍在，作者识别出跨模型通用攻击面并呼吁联合防御。

    深度解读完整解读
  13. 评测与基准arXiv 2504.00374

    研究提出 CW-POR 指标衡量多智能体 LLM 辩论中的说服覆盖

    提出 CW-POR 衡量多智能体辩论中修辞说服对事实判断的覆盖

    arXiv
    2504.00374
    发表
    层
    应用层
    场景
    多智能体
    被测模型
    LLaMA 3.2B、Mistral 7B、Granite 3.2 8B 等5个
    摘要作者用 CW-POR 把选错频率和置信合在一起，并称五款开源模型上修辞仍可压过事实。

    作者用单轮对抗辩论和 CW-POR，观察同族评委面对事实性解释与错误辩护时是否选错，以及选错时有多确信。

    深度解读完整解读
已经到底了