研究：简单特征在人工智能（AI，Artificial Intelligence）控制监控评测中胜过多数监控模型
一项研究发现，在标准评测数据集上，不运行代码的简单特征就能区分诚实代码与后门代码，表现超过24个开源权重监控模型中的20个。作者指出该数据集存在两处标签泄露：诚实方案由人编写、后门由较老语言模型生成，代码风格本身暴露类别；能被大语言模型植入后门的问题也有不同特征。
#安全/对齐
arXiv · cs.AI模型评分5454 arXiv · cs.AI模型评分3434 RiskyPy：面向 大语言模型（LLM，Large Language Model） 生成代码安全与功能联合评估的模型校准提示词生成
RiskyPy 是一套自动化流程，用功能与漏洞“金丝雀”生成与模型能力相匹配的安全导向代码生成数据集，已针对 Python 覆盖 2025 CWE Top 25 中的 18 类 CWE、产出 101 条提示词。在 Qwen3-4B 和 Seed-Coder-8B 上，57-72% 的提示词能生成可运行代码，但仅 5-10% 的生成结果不含 Bandit 告警，为安全改进方法的联合评估留出空间。
arXiv · cs.AI模型评分3636 DiRAFT：基于聚合话语先验的隐私感知金融对话记录合成
DiRAFT 从训练记录中提取金融概念图并记录概念首次出现的顺序，再依据聚合的转移、起始概念和计划长度先验采样新图，生成不依赖单条原始对话的合成金融对话记录。在 1,400 条投资者电话输出的人工评估中，随机采样比贪心和 top-3 更少命中非公开投资者事实，同时在转移保真度与结构重叠之间取得较好平衡。该研究只提供残余保密风险的实证证据，未给出形式化保证。
arXiv · cs.AI模型评分4242 SafeWebWorld 基准：网页世界模型的安全充分性评估
研究团队提出 SafeWebWorld 基准，从五个网页安全领域评估世界模型预测是否保留帮助系统判断何时执行、询问或阻止的信息。对十个冻结开源模型的 3000 条预测做人工评估显示，86.1% 语义上合理，但部分模型授权行为高度不对称：误判为可安全执行的比例低，却对需澄清的询问情形召回差，且强烈倾向阻止。