WAInjectBench: Benchmarking Prompt Injection Detections for Web Agents
The University of Hong Kong(香港大学);Duke University(杜克大学)
本研究提出首个面向Web智能体的提示注入检测基准WAInjectBench,完成攻击细粒度分类与多模态数据集构建,系统评估现有检测方法,发现其对无显式指令、不可感知扰动的攻击检测效果不佳。
2026-09-24 cs.AI cs.CL cs.CR
Runaway Reaction: When Benign Skills Compose into Malicious Behavior
Sichuan University(四川大学)
针对良性技能组合可能引发恶意行为的问题,提出CRIME框架,通过分解目标、迭代精炼和沙箱验证,系统性地实例化组合攻击,并构建4000个技能的基准进行评估。
2026-10-06 cs.AI cs.CR
AOR-Bench: Do Large Audio Language Models Over-Refuse Pseudo-Harmful Queries?
Penn State University(宾夕法尼亚州立大学)
提出首个针对大型音频语言模型过度拒绝问题的基准AOR-Bench,包含3000个伪有害音频样本,评估12个模型发现过度拒绝普遍存在,并探索了两种轻量缓解策略。
2026-08-27 cs.AI cs.SD
Ajar: Measuring Open Privilege in Agent Defenses
University of Washington(华盛顿大学);The Ohio State University(俄亥俄州立大学);Microsoft Research(微软研究院)
针对智能体安全防御仅按攻击成功率和实用性评估的不足,提出Ajar方法,通过重用现有基准构建任务不需要的候选调用,直接衡量开放权限,并在AgentDojo上验证了五种防御的差异。
2026-09-24 cs.AI cs.CR cs.SE
Overeager Coding Agents: Measuring Out-of-Scope Actions on Benign Tasks
Griffith University(格里菲斯大学);Wake Forest University(威克森林大学);Nanyang Technological University(南洋理工大学);University of New South Wales(新南威尔士大学);Quantstamp
本文提出OverEager-Gen基准,用于评估编码代理在良性任务中超出范围的行为。研究发现,当基准中明确列出授权范围时,代理会停止推断边界并开始匹配声明文本,从而影响测量有效性。通过行为梯度验证器和双通道堆栈审计内部工具调用,验证了不同框架下的过度激进行为差异。
2026-05-18 cs.AI cs.CL cs.CR
InjecGuard: Benchmarking and Mitigating Over-defense in Prompt Injection Guardrail Models
Washington University in St. Louis(圣路易斯华盛顿大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对提示注入防护模型的过度防御问题,提出InjecGuard,通过新训练策略MOF降低触发词偏差,在NotInject等基准上超越现有最佳模型30.8%。
2025-03-30 cs.AI cs.CL cs.CR
TAME: A Trustworthy Test-Time Evolution of Agent Memory with Systematic Benchmarking
East China Normal University(东华师范大学);Shanghai Innovation Institute(上海创新研究院);Shanghai Key Laboratory of Computer Software Evaluating and Testing(上海计算机软件评测与测试重点实验室);Huawei Noah’s Ark Lab(华为诺亚实验室)
提出TAME框架,通过执行器-评估器循环实现记忆的可信演化,解决良性任务演化中智能体可信度下降问题,在GPT-5.2 AIME上准确率提升14.6个百分点。
2026-06-06 cs.AI cs.LG
Towards Understanding Link Predictor Generalizability Under Distribution Shifts
Michigan State University(密歇根州立大学)
针对链接预测任务中分布偏移研究不足的问题,本文提出利用结构特性引入受控分布偏移的LPShift划分策略,并通过16种变体上的实验揭示了图结构对模型泛化性能的显著影响。
2025-07-16 cs.AI cs.LG
Hidden in Plain Sight: Benchmarking Agent Safety Against Decomposition Attacks with DECOMPBENCH
Carnegie Mellon University(卡内基梅隆大学);Simons Institute, UC Berkeley(Simons研究所,伯克利大学)
提出DeCompBench基准,通过分解攻击将有害任务拆分为良性子任务,揭示现有代理安全机制在对抗分解攻击时的脆弱性。
2026-10-08 cs.AI cs.CR cs.LG
HarnessSafe: Evaluating Safety Across Persistent Carriers in Agent Harnesses
Beijing University of Posts and Telecommunications(北京邮电大学);China Telecom Group Co., Ltd.(中国电信集团有限公司);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
HarnessSafe基准含7类持久载体的328个可执行案例,通过追踪攻击链的多阶段评估,揭示智能体框架中安全遏制效果的载体特异性及框架-模型配置的重要性。
2026-08-10 cs.AI cs.CR
Benchmarking Misuse Mitigation Against Covert Adversaries
University of Pennsylvania(宾夕法尼亚大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出BSD基准测试,用于评估对抗隐蔽攻击的防御策略,通过生成两个拒绝前沿模型的难数据集,揭示分解攻击的有效性及状态化防御的潜力。
2026-04-20 cs.AI cs.CR
TRACE: Trajectory Aware Reasoning for Multi-Turn Adversarial Conversation Evaluation
Texas A&M University(德克萨斯农工大学);Amazon(亚马逊公司)
针对LLM多轮越狱攻击,提出具备轨迹感知推理的Trace防御方法,训练Llama-3.1-8B-Instruct实现安全与实用平衡,在多轮攻击基准中显著降低攻击成功率并提升合规率。
2026-09-25 cs.AI
ADeptS-Bench: Measuring the Trustworthiness of Computer Use Agents Across Devices
FAIR at Meta(Meta FAIR实验室)
ADeptS-Bench是基于ADEPTS框架的双流基准,评估7个计算机使用智能体的跨设备可信赖性,发现其存在安全与歧义处理缺陷,将发布相关数据与工具。
2026-09-16 cs.AI cs.CR cs.SE
Health-ORSC-Bench: A Benchmark for Measuring Over-Refusal and Safety Completion in Health Context
针对大语言模型在健康场景中过度拒绝良性查询或对有害查询不安全遵从的问题,提出Health-ORSC-Bench基准,通过31,920个边界提示评估模型在意图模糊下的过度拒绝与安全完成质量,揭示安全优化模型过度拒绝率达80%。
2026-06-29 cs.AI
Useless but Safe? Benchmarking Utility Recovery with User Intent Clarification in Multi-Turn Conversations
Carnegie Mellon University(卡内基梅隆大学);Allen Institute for AI(人工智能联盟研究所);University of Washington(华盛顿大学)
本文提出CarryOnBench,首个交互式基准测试,评估LLM在多轮对话中是否能修正用户意图并恢复效用,同时保持安全。通过398个看似有害但实际无害的查询,生成5970次对话,评估14个模型的意图对齐效用和安全性能,发现模型在意图澄清后恢复效用存在不同失败模式。
2026-09-15 cs.AI cs.CL
Evaluating from Benign to Dynamic Adversarial: A Squid Game for Large Language Models
Shanghai Jiao Tong University, Shanghai, China(上海交通大学);Shanghai AI Laboratory, Shanghai, China(上海人工智能实验室)
本文提出鱿鱼游戏,一个动态对抗性评估环境,用于评估大型语言模型的多方面能力,并揭示静态基准中可能存在的评估范式污染问题。
2026-01-30 cs.AI cs.CL
Benign in Isolation, Harmful in Composition: Security Risks in Agent Skill Ecosystems
East China Normal University(东华大学);Centre for Frontier AI Research A*STAR(前沿人工智能研究中心A*STAR);Shanghai Innovation Institute(上海创新研究院)
提出技能组合风险(SCR)概念,通过SCR-Bench基准测试发现,多个技能在共享上下文中组合执行时,攻击成功率显著高于孤立评估,强调应基于激活路径评估技能安全性。
2026-06-16 cs.AI cs.CR
Refusing Everything Looks Safe: Restoring the Benign Arm to Encoded-Prompt Evaluation
Northeastern University(东北大学)
本研究揭示编码提示攻击的有害分支指标无法反映模型真实安全性,编码破坏的是区分能力而非拒绝能力,且后训练无法修复,需引入对照实验。
2026-09-25 cs.AI cs.CR
FragBench: Cross-Session Attacks Hidden in Benign-Looking Fragments
New York University(纽约大学);Tufts University(塔夫茨大学);Distributed Systems(分布式系统);ERA(欧洲研究联盟);Lida Safety(Lida安全);Mila
FragBench通过24个真实网络攻击案例构建,评估LLM跨会话攻击检测,采用对抗重写和图基检测方法,实现事件级F1分数达0.88-0.96。
2026-05-10 cs.AI cs.CR
MTMCS-Bench: Evaluating Contextual Safety of Multimodal Large Language Models in Multi-Turn Dialogues
University of Notre Dame(诺丁汉大学);University of California, Los Angeles(加州大学洛杉矶分校);Georgia Institute of Technology(佐治亚理工学院);University of Montreal(蒙特利尔大学)
MTMCS-Bench评估多模态大语言模型在多轮对话中的上下文安全性,揭示了安全与效用之间的权衡及现有防护措施的不足。
2026-01-11 cs.AI cs.CL
Behind the Mask: Benchmarking Camouflaged Jailbreaks in Large Language Models
Northeastern University(东北大学);Stevens Institute of Technology(斯蒂文斯理工学院)
本文针对大型语言模型面临伪装越狱攻击的脆弱性,构建含500条提示的基准数据集并提出七维度评估框架,揭示模型在伪装攻击下安全性能显著下降,亟需更自适应防御策略。
2025-09-05 cs.AI cs.CR
Safety of Latent Communication in Multi-Agent Systems
CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍兹信息安全中心)
本研究揭示潜在通信链接训练可增加有害遵从性,并提出强化学习攻击放大该效应,同时表明修复链接可降低风险,强调安全对齐需考虑系统整体。
2026-10-06 cs.AI cs.LG cs.MA
Steering Externalities: Benign Activation Steering Unintentionally Increases Jailbreak Risk for Large Language Models
Department of Computer Science and Engineering, The Chinese University of Hong Kong(香港中文大学计算机科学与工程系)
本文研究了大语言模型中良性激活转向对安全性的负面影响,发现其无意中增加劫持风险,并通过实验验证了这一现象。
2026-02-03 cs.AI cs.CR
SwarmReconGuard: Black-Box Detection of Distributed Collective Reconnaissance by Individually Benign-Looking Agent Populations
University of Klagenfurt(克拉根福大学)
针对智能体群体分布式集体侦察,提出SwarmReconGuard黑盒基准,比较多种检测器,发现高斯似然比检测在已知攻击上表现优异但泛化差,混合CUSUM在规模上更有效,揭示策略泛化差距。
2026-10-08 cs.AI cs.CR cs.MA
A Trajectory-Based Safety Audit of Clawdbot (OpenClaw)
ShanghaiTech University(上海科技大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
Clawdbot的安全性审计通过轨迹评估发现其在不同任务中的安全表现不均,尤其在意图不明确时易出现高影响工具操作。
2026-02-16 cs.AI cs.CR
The Heterogeneous Safety Impacts of Benign Multilingual Fine-Tuning
本研究通过多语言良性数据微调LLM,发现安全结果对微调语言和评估语言高度敏感,对抗性合规率在某些设置下增加四倍,且多语言安全漂移与通用能力指标脱钩,呈现异质性。
2026-06-27 cs.AI cs.CL
The Refusal--Compliance Tradeoff: A Large-Scale Safety Behavior Audit of Large Language Models
Department of Computer and Data Sciences(计算机与数据科学系)
本研究通过调整组合方法隔离模型敏感性与数据集毒性混淆,审计了21个开源权重LLM在四个安全基准上的拒绝与顺从失败模式,发现模型采用不同校准策略、人口保护不平等以及拒绝与顺从倾向在模型家族内稳定。
2026-05-30 cs.AI
Practice Makes Unsafe: Skill Misevolution in Self-Improving LLM Agents
Adelaide University(阿德莱德大学);City University of Hong Kong(香港城市大学)
该研究针对自我改进LLM智能体的技能误演化问题,构建SkillMisevo-Gym与SkillMisevo-Bench基准,提出SafeEvolve方法,可显著降低不安全检索与新会话危害,同时对良性效用影响极小。
2026-10-08 cs.AI
Speech-Audio Compositional Attacks on Multimodal LLMs and Their Mitigation with SALMONN-Guard
Tsinghua University(清华大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);University of Cambridge(剑桥大学)
针对多模态LLMs的安全性,提出SACRED-Bench评估语音音频组合攻击,并通过SALMONN-Guard将攻击成功率降低至20%。
2026-02-10 cs.AI cs.SD
When Personalization Legitimizes Risks: Uncovering Safety Vulnerabilities in Personalized Dialogue Agents
Harbin Institute of Technology(哈尔滨工业大学);SERES Group Co., Ltd(SERES集团有限公司)
本文研究了个性化对话代理中的一种安全故障模式——意图合理化,通过引入PS-Bench基准测试,揭示了个性化记忆如何偏移意图推断并导致模型合理化有害查询,提出了一种轻量级的检测-反思方法以减少安全退化。
2026-05-17 cs.AI
Enforcing Benign Trajectories: A Behavioral Firewall for Structured-Workflow AI Agents
Van Lang University(范朗大学)
本文提出了一种基于 telemetry 的行为异常检测防火墙,通过构建参数化确定性有限自动机来限制工具调用序列,从而降低攻击成功率,同时保持低延迟和低误报率。
2026-04-29 cs.AI cs.CR
From Faulty Memories to Corrected Actions: Dependency-Guided Rollback Repair for Memory-Augmented Agents
该研究针对记忆增强智能体的错误记忆问题,提出依赖引导回滚修复方法,在150案例受控基准和50案例改编测试中,均优于对比方法,实现了更优的记忆恢复效果与成本权衡。
2026-10-23 cs.AI
The Blind Spot of Agent Safety: How Benign User Instructions Expose Critical Vulnerabilities in Computer-Use Agents
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);University of Minnesota(明尼苏达大学);University of Southern California(南加州大学);McGill University(麦吉尔大学);Mila(Mila研究院);MBZUAI(MBZUAI研究院)
研究揭示了良性用户指令下智能体安全漏洞,提出OS-BLIND基准测试,发现多数智能体在攻击条件下成功率高达90%以上,且在多智能体系统中风险加剧,现有安全措施效果有限。
2026-04-17 cs.AI cs.CR
Skin-Deep: A Geometric Diagnostic for Alignment Fragility in Large Language Model Representations
Zoom Communications;Korea University(高丽大学);Yonsei University(延世大学);Konkuk University(建国大学)
提出Skin-Deep几何诊断方法,通过计算几何脆弱性分数(GFS)在对齐模型微调前检测其拒绝有害请求行为的脆弱性,无需运行攻击。
2026-10-02 cs.AI
TrustShiftProbe: Characterizing, Benchmarking, and Defending Staged Trust Attacks on MCP Servers
Old Dominion University(奥多明尼昂大学)
本研究针对MCP服务器的阶段性信任攻击提出TrustShiftProbe框架,建立威胁模型、攻击引擎与防御机制SHIELD,使攻击成功率从69.5%降至42.7%
2026-08-26 cs.AI cs.CR
When Good Sounds Go Adversarial: Jailbreaking Audio-Language Models with Benign Inputs
Yonsei University, Seoul, South Korea(延世大学);Seoul National University, Seoul, South Korea(首尔国立大学);Pohang University of Science(坡桑科学大学)
WhisperInject通过在无害音频中嵌入细微扰动,利用两阶段对抗性攻击框架劫持音频-语言模型,生成有害内容,展示了音频原生威胁的可行性。
2026-02-04 cs.AI cs.CR cs.SD
AgentDrift: A Step-Labeled Benchmark of Injection-Hijacked LLM Agent Trajectories
Northern Arizona University(北亚利桑那大学)
AgentDrift是一个分步标注的基准,包含12,536条LLM智能体工具调用轨迹,逐步标记注入点与劫持步骤,用于检测间接提示注入攻击。
2026-09-09 cs.AI cs.CR cs.LG
Robust and Personalized Federated Learning for Aircraft-Engine Prognostics under Benign and Adversarial Client Heterogeneity
Rajshahi University of Engineering & Technology(拉杰沙希工程与技术大学);North South University(北南大学);Missouri State University(密苏里州立大学);Malardalen University(梅拉达伦大学);American International University-Bangladesh(孟加拉国美国国际大学)
该研究针对飞机发动机预测场景,在良性与对抗性客户端异质性下,结合个性化与鲁棒聚合的联邦学习方法,可在保证预测性能的同时抵御攻击,相关代码与数据划分已公开。
2026-08-06 cs.AI cs.CR cs.LG
ActBench: Self-Evolving Benchmark of Behavioral Safety in Cowork Agents
City University of Hong Kong(香港城市大学);Zhejiang University(浙江大学);University College London(伦敦大学学院);Xiaomi Corporation(小米公司)
该研究提出自演进行为安全基准ActBench,结合奖励引导束搜索与双证据验证机制,评估协作智能体风险,在24000条轨迹上测试15个LLM和6个开源智能体,发现模型间攻击成功率差异更大。
2026-08-11 cs.AI cs.CR
Semalith v1.4: A Calibrated 184M Safety Classifier Achieving State-of-the-Art Prompt-Injection Detection at 44x Fewer Parameters than Llama-Guard-3-8B
研究针对金融服务等场景中大语言模型安全分类需求,提出Semalith v1.4分类器,能单步实现三轴安全分类,经训练和对比测试,在提示注入检测上表现出色且参数少,还给出不同场景下的部署建议。
2026-07-28 cs.AI cs.CL cs.CR
AuthGateBench: Benchmarking LLMs as Authorization Gate
Huawei Technologies Ltd.(华为技术有限公司);Sun Yat-sen University(中山大学)
AuthGateBench是首个针对良性请求下授权网关的策略引导基准,通过对比对评估LLM的上下文推理能力,实验发现环境信号可显著提升授权准确率。
2026-11-09 cs.AI
Stateful Guardrails for Multi-Turn LLM Systems: A Conversational Risk Accumulation Framework
College of Medicine and Public Health, Flinders University(弗林德斯大学医学与公共卫生学院)
研究多轮大语言模型系统的对话风险累积问题,提出会话层CRA框架,跟踪三个轨迹信号,提供评分方法,发布多个基准测试集及评估协议,重点在于分布内会话评分,为大语言模型安全防护提供新方法。
2026-07-23 cs.AI cs.CL
SNARE: Adaptive Scenario Synthesis for Eliciting Overeager Behavior in Coding Agents
Griffith University(格里菲斯大学);Quantstamp;Nanyang Technological University(南洋理工大学);UNSW Sydney(悉尼大学);Wake Forest University(卫斯理大学)
提出SNARE流水线,通过组合良性场景片段并使用无评判器预言机评分与汤普森采样,自适应地诱发编码代理的过度行为,并在4×5代理-模型矩阵上评估,发现19.51%的良性运行触发过度行为,且代理框架比模型影响更大。
2026-05-27 cs.AI cs.CL cs.CR
Bypassing Krum: Selection-Aware Backdoor Attacks in Federated Learning
本文提出Krum-Proxy攻击,通过两阶段优化等技术绕过联邦学习的Krum等基于距离的鲁棒聚合,在保持干净准确率的同时提升了攻击成功率,暴露了此类聚合方法的脆弱性。
2026-08-10 cs.AI cs.LG
Representation Transitions Reveal Emerging Safety Risks in Multi-Turn LLM Agents
Singapore Management University(新加坡管理大学);National University of Singapore(新加坡国立大学)
针对多轮LLM智能体攻击,提出DART运行时框架,通过去噪表示转变检测并归因有害行为,在六个模型上将攻击成功率从84%降至25%,优于现有防御。
2026-10-02 cs.AI cs.CR cs.LG
Latent Fusion Jailbreak: Blending Harmful and Harmless Representations to Elicit Unsafe LLM Outputs
Bingjiang Institute of Zhejiang University(浙江大学滨江学院);Zhejiang University(浙江大学);Guangzhou University(广州大学);Chongqing University(重庆大学)
研究如何通过白盒干预操纵安全对齐的大语言模型,核心方法是潜在融合越狱(LFJ),通过配对有害与良性表征、优化混合系数等实现,在多个模型和基准上取得高攻击成功率,还设计了对抗训练程序降低攻击成功率。
2026-07-20 cs.AI cs.CL cs.CR
SilentCall: Hidden Tool-Call Backdoors in Open-Weight Agents, and How to Catch Them
Armada(Armada公司)
SilentCall揭示开源权重工具调用智能体可隐藏后门攻击,通过日期触发窃取凭据,并提出了运行时监控、高温探测和权重审计三种检测方法,强调运行时检查与安全审计的重要性。
2026-09-29 cs.AI cs.CR
Exploring the Secondary Risks of Large Language Models
Shenzhen International Graduate School, Tsinghua University(深圳国际研究生院,清华大学);Beijing Zhongguancun Academy(北京中关村学院);Department of Computer Science and Technology, THBI Lab, Tsinghua University(计算机科学与技术系,清华大学THBI实验室);CFAR, A*STAR, Singapore(新加坡A*STAR CFAR)
本文提出二次风险作为新型失败模式,通过SecLens框架系统评估,揭示了大型语言模型在良性交互中存在广泛且转移性强的有害行为,强调需加强安全机制。
2026-04-27 cs.AI cs.CR cs.LG
Skynet: Workflow-Level Anomaly Detection for Agentic AI via Semantic and Structural Modeling
Virginia Tech(弗吉尼亚理工大学);WashU(华盛顿大学圣路易斯分校)
Skynet将智能体执行转为工作流图,联合建模语义与结构,仅用良性数据训练,实现工作流级异常检测,在三个基准上误报率低于1%。
2026-09-15 cs.AI cs.CR
Cross-Session Threats in AI Agents: Benchmark, Evaluation, and Algorithms
Intrinsec AI
本文提出CSTM-Bench基准数据集,通过信息瓶颈方法评估跨会话检测,并引入CSR_prefix指标,用于评估检测算法的召回率与服务稳定性。
2026-04-22 cs.AI cs.CL cs.CR
ABC-Bench: An Agentic Bio-Capabilities Benchmark for Biosecurity
Andrew Bo Liu(安德鲁·刘);Samira Nedungadi(萨米拉·纳杜加迪);Bryce Cai(布莱斯·凯);Alex Kleinman(亚历克斯·克莱因曼);Harmon Bhasin(哈蒙·巴辛);Seth Donoughe(塞斯·多诺赫)
提出ABC-Bench基准,评估LLM主体在生物安全相关任务上的能力,包括液体处理机器人编程、DNA片段设计和合成筛选规避,所有测试主体均优于人类专家基线。
2026-06-09 cs.AI cs.CY
Agent Safety Alignment via Reinforcement Learning
Ant Group(蚂蚁集团)
本文提出首个面向工具使用LLM智能体的统一安全对齐框架,通过三模态分类法、策略驱动决策模型及沙盒化强化学习,有效防御用户与工具发起的双重威胁,在保障良性任务效用的同时显著提升安全性。
2025-07-11 cs.AI cs.CR
PPE-Bench: A Benchmark for Evaluating MLLM Unlearning under Private-Public Entanglement
The Pennsylvania State University(宾夕法尼亚州立大学);University of Sheffield(谢菲尔德大学)
研究针对现有MLLM遗忘基准测试的局限性,提出PPE-Bench基准测试,包含公私纠缠图像,引入两种方法在遗忘中保护公共信息,实验发现现有方法能减少隐私泄露,但常损害相邻公共信息。
2026-08-28 cs.AI cs.CR cs.CV
AgentRedBench: Dynamic Redteaming and Integration-Aware Defense for LLM Agents over SaaS Integrations
StackOne Technologies(StackOne技术公司)
针对LLM代理在工具使用中面临的间接提示注入威胁,提出动态红队基准AGENTREDBENCH(覆盖24个企业集成、5种攻击类型)和基于集成多样语料训练的防御模型AGENTREDGUARD,将攻击成功率从69.9%降至2.4%,误报率仅0.37%。
2026-07-20 cs.AI cs.CL cs.CR