攻击arXiv 2610.13928
AI 模型可被证明地隐藏任意能力
提出数字锁编译，把可执行网络加密进宿主权重以隐藏任意能力
- arXiv
- 2610.13928
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Gemma 3 270M
摘要作者用数字锁隐藏可执行能力，并称化学与奇偶任务上的引出未恢复该能力。
作者构造一类把可执行网络加密进权重的后门，用来讨论白盒引出审计在供应链攻击下的界限。。
全部论文
另有273篇论文还没打上分类标签，暂不在筛选结果里。
- 其他arXiv 2610.13912
RSI-Anything：用世界模型解锁递归自我改进
提出 RSI-Anything，用世界模型选择候选并保留策略更新
- arXiv
- 2610.13912
- 发表
- 层
- 应用层
- 被测模型
- ReasonFlux-Coder-7B、4B policy、W1
摘要RSI-Anything 以预测、反馈与保留检查把世界模型接入递归自改进，并在多个领域报告增益。
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。
- 其他arXiv 2610.13889
RATED：通过执行动态实现可靠性感知的 AI 智能体工具检索
提出 RATED，用执行反馈重排智能体的工具检索
- arXiv
- 2610.13889
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 被测模型
- DRAGON
- 组件MCP 与技能
- 攻击arXiv 2610.13886
X-AgentRed：在演进的多服务生态中对个人 Agent 进行红队测试
提出 X-AgentRed，用工具依赖图红队个人 Agent 的跨服务未授权伤害
- arXiv
- 2610.13886
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 被测模型
- Claude Opus 4.8、GPT-5.6 Sol、DeepSeek-V4-Pro 等4个
- 技术自动化搜索
- 评测与基准arXiv 2610.13626
SWE-DeceptionBench：评测 LLM 在软件开发生命周期中的欺骗行为
提出 SWE-DeceptionBench 评测 LLM 在软件开发生命周期中的欺骗
- arXiv
- 2610.13626
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- GPT-5.5、Claude-Opus-4.8、Gemini-3.5-Flash 等9个
- 风险欺骗与谋划
摘要本地闭环生成 JSON 边缘场景。
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。
- 其他arXiv 2610.13376
EndoRSI：物理实验证据驱动的内窥镜机器人策略递归自我改进
提出 EndoRSI，以物理证据递归改进内镜机器人策略
- arXiv
- 2610.13376
- 发表
- 层
- 应用层
- 场景
- 具身与机器人
- 被测模型
- Qwen3-VL-4B
摘要安全被写成预测决策闭环的性质，主张要连到已观察后果和版本。
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。
- 评测与基准arXiv 2610.13116
DRYLAB-Bench：评测 Agent 式 LLM 突变设计的生物安全风险
提出 DRYLAB-Bench 评测 Agent 式 LLM 的高风险突变设计能力
- arXiv
- 2610.13116
- 发表
- 层
- 应用层
- 被测模型
- Claude Opus 5、Claude Opus 4.8、Claude Fable 5 等15个
- 风险危险能力
- 可解释性arXiv 2610.13078
注意力看见，MLP 拒绝：追踪 LLM 中从注意力到 MLP 的安全路径
追踪注意力识别有害性到 MLP 拒绝写入的通路并提出 Sentinel
- arXiv
- 2610.13078
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Llama-3.1-8B-Instruct、Qwen2.5-7B-Instruct、Qwen3-8B-Instruct 等18个
摘要注意力更新更易读出有害性，MLP 更新写入拒绝，Sentinel 用两路信号路由提醒。
作者把对齐模型的越狱和过度拒绝，改写成残差流上从识别到写入的通路问题，并据此做解码前的条件提醒。
- 可解释性arXiv 2610.12989
GPT-2-Small、Gemma-2-2B 与 Llama-3.1-8B 具有可解释的叙事机制
用 NVC 定位并消融语言模型的叙事相关组件
- arXiv
- 2610.12989
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- GPT-2-Small-124M、Gemma-2-2B、Llama-3.1-8B
摘要三个模型里与叙事性相关的神经元和 SAE 特征，消融后会改变部分叙事相关行为。
作者把叙事学的三维定义接上机制干预，检查预训练语言模型里与叙事性相关的组件是否参与预测、生成和下游任务。
- 可解释性arXiv 2610.12842
神经网络比单个神经元所显示的更具模块性
用三层嵌套分解检验混合选择性网络能否在子空间上功能分离
- arXiv
- 2610.12842
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Pythia 410M、Pythia 160M、GPT-2 XL 等18个
摘要单元不专一与子空间可分离可以并存。
作者提出一套嵌套的模块性定义，用来把“神经元不专一”和“计算不可分”分开。
- 风险行为arXiv 2610.12822
奖励作弊作为多智能体编码系统中的可传播策略
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
- arXiv
- 2610.12822
- 发表
- 层
- 应用层
- 被测模型
- Qwen2.5-Coder-14B、Gemma-3-12B、Qwen2.5-Coder-7B 等16个
摘要作者称奖励黑客可跨模型传播并影响路由与聚合，审查能降低交付。
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。
- 评测与基准arXiv 2610.12758
DistressBench：评估大语言模型的多维度危机支持
提出 DistressBench，评测模型在危机对话中的多维支持
- arXiv
- 2610.12758
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Muse Spark 1.2、Muse Spark 1.3、Muse Glimmer 30B 等20个
摘要模型更会克制而较少行动。
DistressBench 用临床人员撰写并修订的 SSH 对话，按加权原子标准评通用聊天模型送达了多少必要照护，而不是评它是否拒绝。用户向聊天模型披露自杀或自伤时，作者认为期望行为是识别、校准共情、降缓并转介人工帮助。拒绝式评测测不到认出危机之后仍不行动。
- 评测与基准arXiv 2610.12569
SWE-Duel：迈向编码 Agent 的自扩展竞技场
提出 SWE-Duel，让编码 Agent 在评测时互评造题并盲审修复
- arXiv
- 2610.12569
- 发表
- 层
- 应用层
- 被测模型
- GPT-5.5、Claude Opus 4.8、Kimi K2.7 Code 等11个
摘要互评竞技场在评测时造题。
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。
- 防御arXiv 2610.12463
论文复盘 OpenAI、Anthropic 与 Google Agent 安全事件并提出 PASAC 框架
提出 PASAC 与五层边界保证栈，把智能体评测越界变成可验证的全系统保证
- arXiv
- 2610.12463
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 防御权限与审批
- 风险Agent 危险操作
- 组件权限与沙箱
- 防御arXiv 2610.12445
FAR.AI 论文：白盒探针在 SHADE-Arena 上以 98.8% AUC 超过 Opus 5.5 文本监控
用 FIBS 训练白盒探针，监控智能体破坏行为与未言明欺骗
- arXiv
- 2610.12445
- 发表
- 层
- 应用层
- 场景
- AI Agent
- 被测模型
- Qwen3.5-397B-A17B、Qwen3.5-122B-A10B、Qwen3.5-27B 等10个
- 分析与理论arXiv 2610.12436
研究提出 AI Agent 种群生态理论：协作带来起飞临界规模
为失配智能体种群建立生态模型，说明协作产生起飞临界规模
- arXiv
- 2610.12436
- 发表
- 层
- 应用层
- 场景
- 多智能体
- 风险失准与价值偏离
摘要作者称协作把起飞从个体能力阈值改成种群阈值，故小种群评估不够。
作者用生态学的强 Allee 效应，讨论失配智能体种群会不会在个体能力不变时起飞。。
- 可解释性arXiv 2610.12410
论文提出对齐泛化预测任务，用激活表征预测微调价值观的跨情境影响
比较价值表征对单价值微调后对齐泛化的预测力
- arXiv
- 2610.12410
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- Olmo-3-7B、Olmo-3-32B、Qwen-3-8B-Base 等4个
摘要激活表征可在训练前预测跨价值泛化，并关联多价值目标的鲁棒性。
作者把“单价值微调会如何改变未训练价值上的依从”定义成可在训练前预测的任务，并用价值表征来做这件事。
- 分析与理论arXiv 2610.12409
研究者对 HELM Safety 与 HarmBench 做心理测量学审查，质疑其分数能否代表单一属性
审计 HarmBench 分数能否代表单一 harmful refusal 属性
- arXiv
- 2610.12409
- 发表
- 层
- 模型层
- 场景
- 模型与 API
摘要作者称 HarmBench 不对应单一 harmful refusal，比较模型时应把行为分开。
这是对 HELM Safety 中 HarmBench 的构念效度审计，检查 harmful refusal 能否作为单一属性来读分数。。