标签
本文提出了一种实用的评估协议，用于在现实复杂目标（而非简化基准）中评估AI渗透测试智能体。它采用基于LLM的语义匹配、二分图解析和持续真值来对发现的漏洞进行评分，并发布了专家标注的真值数据和代码。
本文提出了一个统一的LLM持续学习框架，将变化沿空间（新领域）和时间（数据漂移）两个维度进行解耦。它评估了多种方法，包括提示、监督学习、强化学习和上下文压缩，在现实的顺序设置下。
本文提出了一种针对 Agent 记忆的条件规模评估协议，分析随着无关会话的累积，可靠性如何下降。该研究识别了不同记忆接口和大型语言模型（LLM）下的特定失效区域和可用规模边界。