arXiv · AI· Neeraj Karamchandani, Piyush Nagasubramaniam, Xinhong Xie, Sencun Zhu, Dinghao Wu·· 2026-10-05AI 评分49
TPRS衡量基准表示对LLM代理安全得分的敏感性
Threat-Preserving Representation Sensitivity in Agent-Security Benchmarks
AI 导读
TPRS指标揭示了安全基准中代理可见表示的变化会显著影响攻击成功率(ASR),其结果不具备跨表示的泛化性。在Agent Security Bench上,将威胁相关工具名称替换为中性名称后,GPT-5-mini的ASR上升11.67个百分点,Claude Haiku 4.5上升13.21个百分点。该发现表明,单一表示下的安全得分存在局限性,评估鲁棒性需在受控的威胁保持表示集合中验证。
来源:arXiv · AI · arxiv.org