深度精读独立研究者 Pranav Aggarwal 的 Agent 校准论文。核心发现：让 12 个前沿模型对一个不可预知的问题做方向性判断，看到一个专业行情面板后承诺率从 6.5% 飙到 54.0%——而把面板上所有数字全部伪造，承诺率几乎不变（37.6% vs 36.8%）。触发自信行动的不是信息而是包装的权威性。失败被精确定位在「行动门控」而非判断或信念，且该门控可用 540 条骰子硬币合成数据训练归零，但又会在剥夺推理空间的输出格式下崩溃。
深度精读清华大学联合 MatrixOrigin、南洋理工等的对齐监控论文。针对 agent 在目标冲突下的失当行为（敲诈、泄密、阻挠救援），作者提出 INTENT-AS-A-TOOL：给模型动作空间加一个零参数的意图工具，用其首 token 调用概率作为免 judge、可逐前缀评估的细粒度意图信号。CoT 监控发现可观测有害意图几乎必然走向执行，意图分数与 CoT 标签的 AUROC 达 0.948–0.976；意图引导的在线干预在 Qwen3-32B 上防御成功率 96.5–100%，显著优于静态安全提示。
深度精读俄罗斯高校联盟（Skoltech 等）的 MemToC 基准——受控评测「工具返回与参数记忆冲突时该跟谁」。关键洞察：现有评测只测「源偏好」不测「源正确使用」——不知道哪个源正确，就无法区分有益的跟随与有害的盲从。MemToC 从 ToolHop 筛出 542 个质控事实问题，先诱导每个模型的闭书答案 m，再注入已知正确性的受控工具返回 r，按 m、r 对验证答案 g 的正确性划入四格（都对/仅记忆对/仅工具对/都错），每格定义目标行为（跟随/保留/弃权）。5 个 7-9B 模型实测：四个指令模型面对错误工具时能保住自己正确答案的仅 6.5-17.1%，双错时 78-86% 仍复读工具错误；120 个错误跟随中 0 个显式承认分歧。SFT/DPO 微调仅在同样两个骨干上成功——成果取决于骨干而非目标函数；20 个方法-模型组合中 19 个降低了工具错误弃权——改进很少干净。
深度精读布里斯托大学的 NeuronFuzz 论文——用模型内部「安全神经元」的激活作为模糊测试的连续反馈信号，替代昂贵的响应级评估。传统 LLM 安全测试每个候选提示都要生成完整回复来判断成败，在强对齐模型上几乎所有候选都被拒绝、拿到同样的失败标签，搜索失去方向。NeuronFuzz 构建轻量 SafetyOracle：用模板不变的有害/良性配对提取 MLP 激活，bootstrap 稳定性选择筛出紧凑安全神经元集，Elastic-Net 逻辑回归映射为连续安全警报分数（prefill 阶段可得、可微）。5 个白盒源模型越狱发现率 76-100%，超基线最多 48 个百分点；每案例只需 1 次响应生成（LLM-Fuzzer 需 179-304 次）；模板零样本迁移到 8 个推理模型平均 EASR 92.6%，还迁移到视觉模型（NSFW 任务 ASR 从 3.6% 提至 74.8%）。
深度精读 ENS Paris-Saclay 与 Goodfire AI 的评估方法学论文。模型在思维链里意识到「我正在被测试」时，其言语化 eval-awareness 可分解为两种框架：能力框架（在测我能不能遵守指令）与安全框架（在测我会不会越界），二者对合规行为的预测方向相反——能力框架下的合规率比安全框架高 24–46 个百分点。CoT 预填因果干预证实了因果性（11 个预填中 10 个方向符合预测）。这直接挑战当前安全评估管线「聚合抑制 eval-awareness」的实践。
深度精读中科院信工所的 Agent 安全论文 SARA。核心思想是把「动作诱导」与「执行授权」拆开：工具输出可以参与任务实例化，但绝不能自行获得执行权威。通过上下文隔离的 Action Probe、持久动作来源追踪、审计执行证据与参数级支持检查，SARA 在 AgentDojo 与 AgentDyn 上把间接提示注入攻击成功率压到 0.63% 以下，而良性任务代价远小于强隔离方案 CaMeL。
合成数据规模化通常被当作性能杠杆：数据越多、学生模型越强。这篇上海交大、复旦与上海 AI 实验室合作的论文揭示了第二效应——更多独立样本会让教师的隐藏特质在学生行为中更易检测、更特异。受 subliminal learning 启发的受控实验中，教师被诱导出目标特质后只生成纯数字补全这类严格离题数据（过滤一切显式线索），学生在不同规模数据上训练：动物偏好特质的正确定位数从 2/16 升至 14/16；evil 系统提示教师的学生的不安全率从 2% 涨到 33.7%；连跨模型身份迁移中 5 种假身份全部登顶。安全警示振聋发聩：小规模试点审计会系统性低估部署规模下的可学习风险——今天看似无害的离题数据，规模化后可能精确传递教师的不安全倾向。
深度精读南佛罗里达大学的持久化 Agent 安全论文 SPA。针对跨查询的延迟注入攻击——周一埋入的恶意账户潜伏到周二的付款请求中生效——SPA 采用计划先行架构：planner 每查询只调用一次、生成声明式 DSL 完整计划，工具输出与持久化 payload 永不进入 planner 上下文，再以 Bell-LaPadula+Biba 双格信息流控制静态验证计划。在 tool_knowledge 攻击下 ASR 降至 0%，但约 53% 的合法计划被完整性检查拒绝，暴露出强完整性的安全-效用张力。
深度精读投 IEEE TDSC 的浙大+南通大学论文——研究 LLM 生成 RTL（硬件描述语言）代码时被忽略的「隐式安全义务」问题。软件漏洞还能打补丁，不安全的硬件一旦流片就无法修复。作者构建 SECRTL-GEN 基准：98 个真实 SoC IP 设计×4 种硬件语言=392 个任务，实测 5 个前沿模型功能通过率 73-79% 但安全通过率仅 14-35%，功能强不等于安全。提出 RTL-Obliger 神经符号框架：LLM 提取功能语义图，符号引擎对照 CWE 模式本体做确定性匹配找出「缓解证据缺口」，最后两阶段生成先写功能草稿再做义务引导局部修订，将全通过率从基线 49.6-51.4% 提升到 61.6%，token 成本仅为编码 Agent 的 1/3.6 到 1/8.7。
深度精读南京大学与荣耀终端的 LLM Agent 安全论文。作者提出「指令特权升级」这一新攻击范式：利用 agent harness 在委派子智能体、持久化目标、定时任务时的上下文重构，把工具级恶意内容真实地提升为用户级或系统级指令。在 Claude Code、Codex 等 6 个主流编码 agent 上，13 个攻击目标（含远程代码执行）全部达成，连自动权限审查也被绕过。