defenses

介绍了AntiSkillBench，一个用于评估AI智能体人格技能管线中隐私泄露、模仿风险及防御措施的基准，发现风险在不同主干模型上持续存在，且现有防御措施效果有限。

本文研究了操作系统针对自托管AI代理的自身状态攻击的韧性，描述了一个攻击空间并评估了分层防御策略。研究发现，尽管分层防御栈是有效的，但仍存在一个小的残余攻击面，在操作系统层面结构上难以区分。

关于在读取外部内容（如电子邮件和网页）的AI代理中处理提示注入攻击的讨论，探讨了生产级别的防御措施以及超越明显模式的微妙威胁。

黑客Vitto Rivabella公开宣布成功越狱Fable 5，详细分析了模型的多层安全防护机制，包括输入输出审核、意图检测和链式思维防御，并给出了绕过方法。