待验证50% 置信解决方案精确时间

sleeper agent（潜伏代理）攻击范式指被污染的模型在常规测试和安全评估中表现正常，只有在特定触发条件下才展现被植入的行为，使标准评估检测极为困难

1

来源数

50%

置信度

长期有效

时效性

2026/8/7

首次发现

来源

以色列斥资4650万美元干预AI舆论：生成式AI成为信息战新战场

相关事实

待验证VICE 主动模拟攻击面探测应用暴露在外的可交互接口，方法论源自渗透测试和红队演练，而非传统的被动合规检查清单68% 相似待验证纯Agent系统测试面临非确定性输出挑战，只能依赖LLM评判器或人工评估67% 相似待验证基于规则过滤的Agent在对抗性测试中往往更容易被绕过，而经过对齐训练的模型具备更强的语义级意图识别能力64% 相似待验证公开的安全评测集存在被纳入训练数据导致评测污染的风险，污染包括模型厂商刷分和恶意者研究测试集开发绕过变体两种风险64% 相似待验证Agent 测试应以程序化方式检查最终状态，验证系统真实末态而非依赖模型自述64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/700785

API

curl https://kongchang.com/api/v1/knowledge/claims/700785

MCP

get_claim(id=700785)