事件历史事件
研究揭示 Agent 安全评测中的捷径敏感性
先了解这件事
AI 综述
2026年10月16日发布的一篇 arXiv 论文提出三级捷径审计框架，通过标签可预测性、观测性护栏关联与配对决策灵敏度三道检验，核查已发布的 Agent 安全评测是否依赖基准构造而非真实安全信号。作者对 LinuxArena、AgentDojo-Traj 与 AgentHarm-Traj 进行黑盒审计，发现 LinuxArena 中较短的平均 shell 命令可强预测轨迹标签，AUC 达 .910；AgentDojo-Traj 的精确工具查表在域留出下 F1 从 .901 降到 .495。
AI 根据报道生成 · 28 天前更新
走势与进展
每小时关注度
现在 39，24 小时 0%·峰值 39（11月6日 03:00）
11月7日11月8日11月9日11月10日11月11日11月12日11月13日现在 39
相关研究
这件事的论文
- Agent 安全评测中的捷径敏感性
arXiv · 2026-10-15 · 深度解读
后续时间线
10月16日
- arXiv：危险能力与安全评测Agent 安全评测中的捷径敏感性
论文提出三级捷径审计框架，用标签可预测性、观测性护栏关联与配对决策灵敏度三道检验，核查已发布的 Agent 安全评测是否依赖基准构造而非真实安全信号。作者黑盒审计 LinuxArena、AgentDojo-Traj 与 AgentHarm-Traj：LinuxArena 中较短的平均 shell 命令可强预测轨迹标签，AUC 达 .910；AgentDojo-Traj 的精确工具查表在域留出下 F1 从 .901 降到 .495；AgentHarm-Traj 的发布版 TS-Guard 在等交互加权下 F1 从 .902 降到 .719，balanced accuracy 从 .754 升到 .776。作者据此建议采用域分组留出、按评测单元计分和安慰剂对照的配对干预。