safety-auditing

本文表明，嵌入式神经接口模型的正式鲁棒性证书可能在任务准确率因对抗攻击而崩溃时仍能通过，并提出一个统一的实证审计框架，以解决训练目标与操作用户福利之间的对齐失败问题。

本文提出HarnessAudit，一个用于审计LLM智能体执行轨迹（而非仅最终输出）的框架，重点关注边界合规性、执行保真度和系统稳定性。同时引入HarnessAudit-Bench，包含八个领域210个任务，评估了十种执行框架配置，发现任务完成与安全执行不一致，且违规行为随轨迹长度积累。