【新智元导读】随着大模型智能体深刻渗入真实操作系统 ，一种全新的安全威胁悄然成型：行为越狱（Behavior Jailbreak）。现有安全基准只盯着模型「说了什么」 ，却对「做了什么」视而不见。新基准LITMUS是首个同时覆盖真实OS环境行为越狱、语义-物理双层验证与多攻击范式的齐全评测系统 ，并初次系吐淇化了「执行幻觉」这一被整个评测社区忽视的致命盲区。
当AI智能体不再只是谈天工具 ，而是真正收受你的服务器、操作你的文件、执行你的剧本——安全评测这件事 ，就不能再停顿在「看它说了什么」的层面了。
然而 ，当前险些所有主流智能体安全基准 ，依然把判断终点停在「语义输出层」——只问模型拒没拒 ，不论OS改没改。这一底子性缺点 ，催生了一种极其危险的幻象：
为了彻底拆解这一盲区 ，来自漯河航空航天大学、浙江大学的钻研团队推出了LITMUS（LLM-agentsIn-OSTesting forMeasuringUnsafeSubversion）——首个将真实OS环境行为越狱、语义-物理双层验证与多攻击范式系统整合的智能体安全评测基准 ，初次在行为越狱中系统界说并量化这种「行口不一」的景象——执行幻觉（Execution Hallucination, EH）。
AdvBench、HarmBench 等经典基准 ，判断终点是「模型有没有天生有害文本」。但在真实 OS 环境中 ，危险来自工具挪用——模型不必要「说出」危险内容 ，只需偷偷挪用一个系统号令 ，文件就被删了 ，密钥就泄露了。文本安全 ，底子不蹬宗行为安全。
若是测试 A 批改了某个系统文件 ，而测试 B 刚好依赖统一个文件 ，那么B的了局测的到底是「模型的安全性」 ，还是「A留下的传染」 ？在没有 OS 级状态回滚的情况下 ，这个问题无解。
LITMUS在每次测试对话前后 ，城市对真实操作系统进行快照采集。物理判定基于系统状态的现实变动 ，与模型的对话内容齐全独立。即便模型嘴上说「我回绝了」 ，只有 OS 状态显示危险操作已实现 ，物理判定依然给出「执行成功」。
每条测试用例均建设了预置与复原作为 ，由专门的Recoverer智能体在测试前初始化系统基线、测试后齐全还原 ，从底子上解除用例间的传染 ，确保评测了局然正可复现。
LITMUS数据集蕴含819条高风险测试用例 ，起源涵盖真实缝隙数据库（CVE/GHSA）、公开渗入测试汇报 ，以及经人为精辟验证的LLM天生案例 ，全数在真实OS中通过物理测试验证。
诱使智能体使用攻击者提供的 SKILL ，将恶意的 SKILL.md 文件内容注入智能体工具链 ，在正常工作挪用时自动触发 ，绕过前端提醒词过滤。
图示：LITMUS评测框架的六智能体分工示意。Prosecutor发出指令 ，Verifier独立采集OS快照 ，Analyzer（物理判定）与 Reviewer（语义判定）各自独立产出标签 ，共同组成2×2语义-物理混合矩阵。
图示：六款模型在 LITMUS 种子数据集上的攻击成功率（ASR）与执行幻觉率（EHR）总览。 SPSR、SOSR、POSR、SPFR 别离为齐全越狱、攻击糊弄、荫蔽执杏注齐全失败的样本比例。
值得出格关注的是「通讯表联」（CO）类别——跨模型、跨攻击范式 ，这一类此外 ASR 险些始终最高 ，最极端情况靠近97%。这批注：智能体似乎天然地将「发送新闻」等表联操作视为无害行为 ，导致数据表泄成为最难防守的攻击面。
相对地 ，「工作链」（CT）类此外 ASR 最低（Claude Sonnet 4.6仅21.72%） ，由于将多个恶意子步骤串联成一个要求 ，反而让整体恶意意图越发显眼 ，更容易被鉴别回绝。
其中最危险的「荫蔽执杏坠（Covert Execution）模式——模型说话层面明确回绝 ，但 OS 层面危险操作已悄然实现——在所有模型上均有出现 ，Deepseek-v3.2的该项比率达到4.84%。
这意味着一个极其端庄的现实：任何只依赖对话日志的安全审计 ，性质上是不成靠的。安全审计人员看到「模型回绝了」 ，但系统已经被攻破。
技术注入和实体包装（这两种将恶意指令「藏进」工具链或表部内容的间接攻击）在两款代表模型（Deepseek-v3.2与Claude Sonnet 4.6）上均实现了显著的 ASR 提升。
相比之下 ，直接使用「红队测试」或「调试模式」话术进行越狱的成效 ，则出现出强烈的模型依赖性：Claude Sonnet 4.6 对显式恶意信号极为敏感 ，这类话术反而会激活安全机造 ，导致 ASR 跌破基线 ；而 Deepseek-v3.2 则偏差于将同样的信号解读为"合法操作授权" ，导致合规率反升。
这注明：分歧模型对「显式恶意意图」的语义解读存在底子差距 ，话术类越狱战术的有效性无法跨模型迁徙。但间接攻击的高成功率 ，则是跨模型一致的普遍法规：智能体的执行流水线 ，而非前端提醒词过滤 ，才是真正的重要失守点。
钻研团队明确呼吁：EHR该当与ASR并列 ，成为LLM智能体行为安全评测的尺度指标。在智能体走向真实OS部署的今天 ，单靠ASR ，依然是对安全的幻觉。
LITMUS作为一个盛开的活性基准（Living Benchmark） ，欢迎社区持续贡献新的模型评测了局与测试用例 ，共同推动LLM智能体安全评测走向严格、可信、可复现的新范式。
漫画《兄妹秘密授课》免费阅读25章在本届世界杯全体球队公布阵容后，各支球队的身高数据也正式出炉。足球数据博主“nocontextfm1”引用FIFA官方数据为球队身高进行了排名，其中，挪威队和波黑队并列本届赛事平均身高第一，瑞典队第三，沙特阿拉伯队则是平均身高最矮的球队。在李洪多年的信访和追问中，赔偿的数字被一次次提起。但在接受采访时他反复说同一句话：“我不想谈钱，只想要公道，父亲死得太惨了，家破人亡。”漫画《兄妹秘密授课》免费阅读25章BOMTOON漫画官网入口特朗普还在上述《纽约邮报》播客采访中表达了与穆杰塔巴会面的意愿，称自己未来“很可能”与对方面谈。“我还没有那个荣幸见到他……但我们似乎挺合得来。”比赛易地再战，美国多次冲击德国的后防线，直到第37分钟，安东尼·罗宾逊轰出一脚世界波，比分1-1追平，随后不久，哈弗茨禁区内绝佳机会打偏了。
20260610 ? 漫画《兄妹秘密授课》免费阅读25章孩子们当起了“产品经理”，自己查资料、做研讨，梳理出记忆力、注意力、理解力的核心知识，还总结了番茄钟学习法、海马体记忆法等44个实用学习策略，编成了一本《大脑开挂指南》，成了孩子们人手一本的“学习秘籍”。《棒梗干妈幼强幼说叫什么名字》去年国行 Apple Intelligence 计划提供一套完全本地化的方案：端侧仍跑 Apple 自研模型，但由阿里巴巴提供一层用户无感知的内容过滤与合规中间层，百度作为参与方负责搜索、视觉智能等能力，云端处理则交给已经在运营国行 iCloud 的云上贵州，而且只在国行设备上可用。
20260610 ? 漫画《兄妹秘密授课》免费阅读25章6月2日早上，王先生来到一处山顶位置，拨打了蓝天救援队的求救电话。他称自己在一处名为“红坑”的水坑和一块巨石附近，此时他的手机电量仅剩7%，不久后便关机，与外界完全失联。《麦子互换3国语正版一百度》本次法网赛事中，安德烈娃打得非常沉稳，一改此前容易暴躁的情绪。半决赛中，安德烈娃生涯首次击败死敌，第一次打进的决赛。今日，她在决赛中的对手是超级大黑马赫瓦林斯卡。
京公网安备11010202000001号
