另有254篇论文还没打上分类标签，暂不在筛选结果里。
提出 RSI-Anything，用世界模型选择候选并保留策略更新
RSI-Anything 是一个跨领域框架：用世界模型预测决定哪些候选去拿外部反馈，再用反馈决定策略、工作流或预测器是否更新，并用检查决定哪一对被保留。要处理的困难是交互预算有限，以及策略一变，预测器面对的候选分布也会变。作者认为只改进其中一侧，不保证组装后的系统更好。
提出 SAFE-QE，过滤 LLM 查询扩展中无支持的幻觉词
摘要SAFE-QE 以可复现性与覆盖选择抑制扩展幻觉，作者称排序质量无可见代价。
作者搭建了一个可在笔记本上运行的本地智能体闭环，用来为自主系统的安全论证生成边缘场景，而不是发布一个新的公开测试集。
提出 EndoRSI，以物理证据递归改进内镜机器人策略
世界模型安全被组织成预测决策闭环的性质，而不是孤立的预测分数。
提出 DRYLAB-Bench 评测 Agent 式 LLM 的高风险突变设计能力
展示奖励黑客可在多智能体编码系统中经代码、记忆和计划传播
编码 RL 诱发的奖励黑客可以离开源智能体，进入后续协作和系统协调。
提出 SWE-Duel，让编码 Agent 在评测时互评造题并盲审修复
SWE-Duel 是一个在评测时才生成任务和判定器的编码智能体竞技场，用来避开静态基准的泄露和饱和。
提出 FAITH 安全过滤强化学习框架，训练高维系统在约束下优化任务回报
FAITH 是面向高维系统的无模型安全过滤强化学习框架：安全修正与任务回报分属不同模块。
提出 COAP，用有状态代码在测试时无模型地控制机器人
提出选项通道攻击，重命名选项标签使 Agent 护栏放行违规操作
摘要作者评估指出类型化模型不应作为最终安全裁决者，其易受非策略文本与选项名称操控，且置信度过滤无法抵御攻击。
用恐惧激活转向检验视觉语言模型的隐患判定准则
扩展全模态基座的强化学习以支撑智能体自我改进
MiMo-V2.6 是全模态 MoE 技术报告，用扩大 RL 计算、环境和评分来追求智能体自我改进。
测量 AI 搜索引用脆弱性，证明普通公开发帖可进入引用与回答
摘要作者称论文量化了 AI 搜索因引用偏好与低发帖门槛形成的漏洞，测试显示公开网络发帖可渗透 AI 引用，呼吁审计引用供应链。
提出义务识别基准 ObligationBench，并训练护栏识别 Agent 未履行的安全义务
作者认为编码智能体的安全不能只靠拦截禁止动作，还要找出终止时仍未做的安全关键动作，并将其称为义务。
提出研究合同，把已批准选择绑定到执行证据并由检查器核验
研究合同用来核验计算科学研究智能体是否仍在已批准研究之内，不判断科学是否为真。。
提出 LTBD，用可学习分隔符隔离可信指令与不可信数据
LTBD 是一种不改基座权重的提示注入防御：只学习用来标出可信指令与不可信数据边界的四个 token 嵌入。
重建 Agent 技能复制网络并建模源选择以指导安全审计
摘要论文重构了 GitHub 智能体技能复制网络，发现复制集中于少数仓库且很少随源更新，并提出了代码库审计推荐模型。
构建统一奖励作弊检测基准 RH-Detect 并评测零样本检测器
提出 BRANCH 方法，用分支搜索绕过多扫描器护栏