跳到正文
10月12日 · 周一

全部论文

找到 17篇
筛选3

攻击类型

提示注入9

模型自身风险

Agent 危险操作3

防御类型

检测与过滤3

影响

越权操作7数据与隐私泄露3输出被操纵3

系统形态

LLM 应用29AI Agent224coding agent54science agent19web agent17网页与电脑操作11多智能体20具身与机器人6

攻击面/入口

用户输入4网页与界面8文档与消息3

层

应用层17基础设施层0

系统组件

护栏与评审4
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 233篇还没打标签，不在筛选结果里。
系统形态：web agent层：应用层层：基础设施层清除全部

另有233篇论文还没打上分类标签，暂不在筛选结果里。

  2. 评测与基准arXiv 2610.05586

    AgentDoxx：联网搜索 Agent 对匿名访谈文本的再识别评测

    构建 AGENTDOXX 基准，评测联网搜索 Agent 对匿名访谈的再识别

    arXiv
    2610.05586
    发表
    层
    应用层
    场景
    web agent
    被测模型
    GPT-5.6 Terra、GPT-5 Mini、GPT-4.1 Mini 等10个

    摘要论文提出了已知身份的重识别基准 AGENTDOXX，揭示搜索与记忆双重风险及现有防御在检索轨迹中的泄露漏洞。

    深度解读完整解读
  6. 评测与基准arXiv 2609.19140

    AgentLSD：在对抗性任务污染下评测 AI 安全 Agent

    评测安全 Agent 在对抗性任务污染下的解题成功与开销

    arXiv
    2609.19140
    发表
    层
    应用层
    场景
    web agent
    被测模型
    Gemma-4 31B、DeepSeek-V4 Flash、GPT-OSS 120B 等6个
    摘要AgentLSD 用配对 web CTF 表明，欺骗性环境证据会改变安全智能体的解题率与工作量。

    AgentLSD 是一个对照框架，用来测量安全智能体在任务本身不变时，对对抗性任务污染的反应。

    深度解读完整解读
  8. 评测与基准arXiv 2604.06240

    研究者开源 Universal Verifier 与 CUAVerifierBench，用于验证计算机使用 Agent 轨迹

    构建 Universal Verifier 核验计算机使用 Agent 轨迹

    arXiv
    2604.06240
    发表
    层
    应用层
    场景
    web agent
    被测模型
    GPT-5.2、GPT-4o、o4-mini 等8个
    摘要四条设计原则叠成 Universal Verifier，作者称其与人类一致程度相当且假阳性近零。

    Universal Verifier 给计算机使用轨迹打过程分和结果分，并定位失败。CUAVerifierBench 用人工标签衡量这种验证器。

    深度解读完整解读
  10. 评测与基准arXiv 2512.23128

    牛津等发布 TRAP 基准

    构建 TRAP 基准，评测网页 Agent 被界面提示注入劫持任务的情况

    arXiv
    2512.23128
    发表
    层
    应用层
    场景
    web agent
    被测模型
    GPT-5、Claude Sonnet 3.7、Gemini 2.5 Flash 等6个
    摘要论文提出了基于五维模块化攻击空间的 TRAP 基准，评估了六个模型在真实网页环境中的注入风险。

    研究定位：针对网页自主智能体易受外部界面提示注入攻击的问题，构建了基于真实网站克隆的模块化评测基准 TRAP。

    深度解读完整解读
  12. 评测与基准arXiv 2510.01354

    WAInjectBench 系统评测网页 Agent 的提示注入检测方法

    提出 WAInjectBench 评测网页 Agent 的提示注入检测

    arXiv
    2510.01354
    发表
    层
    应用层
    场景
    web agent
    被测模型
    GPT-4o、Mistral-7B-Instruct-v0.1、Llama-Prompt-Guard-2-86M 等8个
    摘要WAInjectBench 比较网页智能体的提示注入检测：显式线索可被部分检出，隐蔽攻击大多漏检。

    WAInjectBench 是网页智能体提示注入检测的基准。作者要看现有检测器能否发现这类攻击：攻击者改网页，使智能体执行目标动作，而不是用户任务。作者称这是首个此类综合基准。

    深度解读完整解读
  14. 评测与基准arXiv 2503.04957

    SafeArena：首个评估自主网页 Agent 滥用风险的基准

    提出 SafeArena 基准，评测网页 Agent 是否执行故意有害任务

    arXiv
    2503.04957
    发表
    层
    应用层
    场景
    web agent
    被测模型
    GPT-4o、Claude-3.5-Sonnet、Qwen-2-VL-72B 等5个
    摘要SafeArena 用配对任务和 ARIA 评测网页智能体的故意滥用。

    SafeArena 评测自主网页智能体是否会执行用户故意给出的恶意网页任务。。

    深度解读完整解读
  17. 评测与基准arXiv 2406.12814

    论文提出 ARE 框架，在 VisualWebArena 上评估多模态 Agent 的对抗鲁棒性

    提出 ARE 框架与图像文本攻击，评测多模态网页 Agent 的对抗鲁棒性

    arXiv
    2406.12814
    发表
    层
    应用层
    场景
    web agent
    被测模型
    GPT-4o、GPT-4V、Claude-3-Opus 等4个

    摘要系统评估多模态网页智能体的脆弱性，指出推理时计算组件被攻破会加剧系统风险。

    深度解读完整解读
已经到底了