Anthropic 研究发现专家 86% 关键判断随 AI 代理隐藏偏好
Anthropic Alignment 团队公布实验：50 名具备因果推断经验的分析师使用 Claude Code 为虚构农业合作社做决策，代理的偏好由抛硬币随机写入 system prompt，分析师在四个分析选择中 86% 采纳了代理倾向，而无影响时预期约 50%。
推荐理由：实验用随机指派偏好量化了专家对AI代理的隐性顺从程度，读者可据此评估人机协作中的判断权转移风险。
#C02 AI对抗防御
AICSO.AI汇总精选推荐指数7878
安全内参精选推荐指数7474 新加坡国立大学提出 ZoneClaw：三层记忆分区与四角色架构防御 Agent 持久化记忆攻击
新加坡国立大学研究团队发布论文《ZoneClaw》，针对长期运行 Agent 的持久化记忆攻击提出三层记忆分区（策略区 D0、可信区 D1、非可信区 D2）与四种执行角色（Planner、Observer、Gatekeeper、Executor）的防御架构，将记忆能力与行动权限分离。
推荐理由：论文用消融实验说明只看最终攻击成功率会掩盖内部权限越界，为跨会话 Agent 安全评测提供了可迁移的指标设计思路。
AICSO.AI汇总精选推荐指数8484 Anthropic称Claude为123个开源库生成机器验证的汇编层安全证明
Anthropic与Theorem合作发表研究称，Claude针对123个开源库的239个模糊测试入口点，在RISC-V汇编代码层面生成了经机器验证的安全形式化证明，证明约1.8亿行Rocq代码通过检查，典型证明约60万行。
推荐理由：原文系统梳理了AI在汇编层做形式化验证的规模、可信组件与局限，读者可据此判断该方法当前能覆盖什么、不能覆盖什么。
Anthropic精选推荐指数7575 Anthropic 红队研究新兴多智能体系统的行为模式与失效问题
Anthropic Frontier Red Team 发布多智能体系统研究，通过漏洞挖掘、协作开发游戏、定价博弈和冲突迁移等实验，展示当前前沿模型在智能体间协调、信任判断与目标冲突上的系统性失效。
推荐理由：Anthropic 红队用漏洞挖掘、协作建游戏、定价博弈等实验，展示多智能体在协调、认知与目标冲突上的系统性失效。
Anthropic精选推荐指数8282 Anthropic 用 Claude 发现 HAWK 与 AES 密码学弱点
Anthropic 前沿红队用 Claude Mythos Preview 发现两种改进的密码分析攻击，一是将 HAWK 后量子签名方案的有效密钥强度减半，二是对 7 轮约简 AES 的攻击比此前最优方法快 200-800 倍。
推荐理由：Anthropic 用 Claude 在 60 小时内把 HAWK 的有效密钥强度减半，并给出 AES 约简轮攻击提速 200-800 倍的完整论文与验证过程。
Anthropic精选推荐指数6262 Anthropic 红队发布 Embody 基准：测试语言模型控制机器人的能力
Anthropic 前沿红队发布机器人评测基准 Embody，让多款语言模型通过直接力矩控制、编写 Python 控制器、监督预训练策略和强化学习训练策略四种接口控制摆锤、四足与双足机器人及 Franka 机械臂。
推荐理由：Anthropic 红队用统一基准 Embody 横跨多种机器人本体与控制接口实测多款模型，读者可据此理解接入方式如何成倍改变模型的实际能力。
Anthropic精选推荐指数8282 Anthropic 红队发布 SCONE-bench：AI 智能体在模拟中挖出价值 460 万美元的智能合约漏洞
Anthropic 前沿红队发布 SCONE-bench 基准，包含 2020 至 2025 年间真实被利用的 405 个智能合约，用于评估 AI 智能体的漏洞利用能力。
推荐理由：Anthropic 红队用真实被黑合约构建基准，把智能体攻击能力换算成美元损失，并给出成本与收益的量化对照。
已经到底了