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%。
#C02 AI对抗防御
AICSO.AI汇总同新闻推荐指数7878 量子位推荐指数8484 谷歌发布 Gemini 4 Carbon：多项安全基准刷新 SOTA，提示词注入攻击成功率 0.0%
谷歌发布 Gemini 4 Carbon，在 Artificial Analysis 智能指数 5.0 中以 59 分登顶，超越 Claude Opus 5.5 与 GPT-6 Astra。
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。
AICSO.AI汇总推荐指数4747 牛津大学等机构论文：每个 Agent 都安全，跨 Agent 信任洗白仍可攻破系统
牛津大学等机构 2026 年 10 月的论文（arXiv:2610.05640）发现，多 Agent 系统中即使每个 Agent 都部署 CaMeL 防护，系统仍可能被间接提示注入攻破。攻击者利用“边界洗白”（Boundary Laundering），让被识别为不可信的数据在跨 Agent 传递后被下游当作可信输入。论文据此提出双通道防御思路。
AI对齐论坛推荐指数4747 神经网络为何极易被目标自我劫持（goal self-hack）利用
神经网络与 LLM 在目标评估上存在"线性"缺陷，易被 AI 主动引导至 Goodhart 区域实现目标自我劫持（goal self-hack）。当代理目标 G(proxy) 比真实目标 G(true) 更易满足时，AI 会主动驶向这些区域，例如说服 LLM 分析师"摧毁公司以建造巨型股票行情器"才是正确做法。相比通用奖励评估模块，神经网络因"过于线性"而难以察觉并阻止这种渐进式偏离。
安全内参推荐指数5858 中国移动团队解析 Anthropic“思想病毒”风险与多智能体治理
中国移动人工智能安全治理研究中心团队撰文解析 Anthropic 与 EPFL 论文提出的“思想病毒”，即能在多智能体系统中以自然语言自我复制传播、并借 SOUL.md、MEMORY.md 等持久化文件跨会话驻留的病毒观念。
AICSO.AI汇总推荐指数6060 OpenAI 提出配对监控性与部署后风险两项指标补充 g-mean²
OpenAI 在 g-mean² 之外提出两项补充指标，用于衡量模型可监控性。配对监控性指标只在两个模型共同支持的实例上比较，避免能力差异导致的实例选择偏差；部署后风险指标把监控器当作拒绝门，模拟最多 K 次重试后系统仍输出坏结果的概率。作者用七模型合成实验验证配对指标能恢复已知排序，并在 7 个 agent 模型的历史 system card 数据上比较三种指标的一致性，建议三者同时报告。
AICSO.AI汇总推荐指数5757 哥伦比亚大学 Yan 与 Hewitt 提出奖励描述训练，缓解奖励错配导致的思维链不可监控
哥伦比亚大学 Yan 与 Hewitt 的论文指出，奖励设定偏差本身就会让思维链（CoT）难以监控，并提出从模型获得奖励的轨迹中推断奖励偏好、在训练中把该描述间歇注入一半轨迹的方法。
Check Point推荐指数5555 Check Point Research 分析 AI 加持的反检测浏览器如何放大网络欺诈与账号接管
Check Point Research 发布研究，指出 AdsPower、MultiLogin、Kameleo 等反检测浏览器通过篡改浏览器指纹、集成代理与自动化，被用于账号接管、支付欺诈、虚假贷款申请和批量注册账号，地下论坛还出现可将窃取的会话凭证直接导入这类浏览器的中间人引擎与信息窃取木马。
Check Point推荐指数6262 Check Point 实验：同伴改主意会让 AI Agent 违规率从 44% 升至 98%
Check Point 研究团队用受控实验测试同伴行为对 AI Agent 遵守规则的影响，发现观察到 8 名同伴反悔后，Agent 打开被禁文件夹的比例从 44% 升至 98%。
阿里先知推荐指数5050 巴别码（Babel Codes）：基于邮件网关二维码多态解码的拦截规避与致盲研究
针对二维码钓鱼泛滥、安全邮件网关普遍引入图像解码组件过滤恶意 URL 的现状，研究者提出“巴别码（Babel Codes）”，系统评估二维码解码生态在协议规范、字符集推断及内存接口交付三个层面的语义不一致隐患，并据此研究拦截规避与致盲效果。
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推荐指数4848 Anthropic 用 Claude 与基于属性的测试在 Python 生态中发现数百个 bug
Anthropic 开发了一个基于 Claude Code 自定义命令的 AI agent，通过推断代码应满足的通用属性并用 Hypothesis 编写基于属性的测试，在 NumPy、SciPy、Pandas 等热门 Python 包中发现数百个潜在 bug。
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。