速览

14 篇 · 按天 ← 全部
2026-08-21 速览 2026-08-21：3 篇今天三篇没有共同线索。两篇讲怎么管住 agent，答案却相反：COPA（2608.19982）还是往模型权重里塞防御，每见到一类新的注入手法就收一批样本再训一轮，靠掺旧样本防止刚学会防新招、转头把最基础的『忽略前面的指令…
2026-08-20 速览 2026-08-20：4 篇今天没有论文，四条里三条是 CVE，一条是没有实验的预测性博客。
2026-08-19 速览 2026-08-19：8 篇今天 8 篇里有 4 篇（2608.17220、2608.17597、2608.17659、2608.17684）在改判据：不再看模型嘴上说没说坏话，而是跑完之后查最终状态——钱转走没有、短信发出去没有、余额变没变。
2026-08-15 速览 2026-08-15：1 篇今天只有一篇，没有值得注意的趋势。唯一一篇是把「改神经元防越狱」从常开改成按需触发，工程上实在，但它把整个防御的成败押在一个判断「这是不是攻击」的前置判断器上，而这个判断器本身没被当成攻击目标测过。
2026-08-14 速览 2026-08-14：5 篇今天 5 篇。有 3 篇不约而同地绕开「这段文字说了什么」，改问「这段文字凭什么由它来写」：PIPES（2608.12789）盯的是店家能不能自己填评分那一栏，研报库（2608.12984）给 SEC 备案和媒体报道分可…
2026-08-13 速览 2026-08-13：6 篇今天的主线是：别指望模型自己把门。一篇（2608.11583）从参数上说，拒绝行为其实只挤在中段几个 MLP 块里，所以微调一下就掉；另一篇（2608.11806）从行为上说，在被投诉图书这类敏感但合法的内容上，四万次提…
2026-08-12 速览 2026-08-12：18 篇今天 18 篇里有 4 篇跳过（产品发布、负载均衡、图神经网络防窃取），剩下 14 篇中最值得看的一条线是「别看模型说了什么，看它做了什么」。
2026-08-11 速览 2026-08-11：20 篇今天 20 篇里最值得看的四篇互不相关，各自捅穿一层大家默认安全的东西。
2026-08-10 速览 2026-08-10：8 篇今天 8 篇里有 5 篇在同一个位置上打转：模型接收的内容和它该听的指令混在一起，边界在哪没人说得清。
2026-08-09 速览 2026-08-09：9 篇9 篇里有 4 篇落在同一处：agent 自己攒下来的东西——技能、日志、备份、记忆——没人审。
2026-08-08 速览 2026-08-08：8 篇今天 8 篇，其中 3 篇不值得展开（一则成本趣闻、一个和它想解决的问题错位的密码学证明、一份自评一致性只有 0.509 的工具清点）。
2026-08-07 速览 2026-08-07：8 篇今天 8 篇里有三篇串成一条线：StepJack（2608.06477）把「撑爆用户磁盘」拆成分散在几个网页上的无辜小步，单步会被拒的攻击拆成三步后在某个模型上成功率涨了 31 个点；DreamGuard（2608.05…
2026-08-06 速览 2026-08-06：11 篇今天 11 篇，其中 3 篇（推荐系统实验 agent、路由收益认证 2608.07583、区块链 agent 网络综述）不算安全工作。
2026-08-05 速览 2026-08-05：12 篇今天 12 篇里有四篇落在同一处：agent 不再只是接完指令就忘，它会把干过的事沉淀成能反复调用的东西。