GHOST：长程智能体跨轮安全约束失效
原文标题：A GHOST in Long-Horizon Agents: Governance Hazard from Overlooked Safety Constraints across Turns
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究揭示长程智能体在良性交互下会执行违反多轮前安全约束的动作，称为GHOST失效模式，在GPT-5.5上发生率约11.5%。理论上证明若残余违规风险下界不可求和，智能体几乎必然进入危险区。提出STAR-Guard双层防御，结合历史语义约束恢复与执行前审计，实验中未再出现GHOST事件。
- 问题
- 长程智能体在良性交互中会执行多轮前已设定的安全约束所禁止的动作。
- 方法
- 提出GHOST失效模式并给出理论下界条件，用STAR-Guard双层防御：历史语义约束恢复加执行前确定性审计。
- 结果
- GPT-5.5上GHOST发生率11.5%，STAR-Guard实验中未再出现GHOST事件。
- 影响
- 长程Agent部署必须加执行前审计层，单靠提示词约束不可靠。
深读 · 结论先行AI 生成展开看要点与影响 ↓
长程智能体GHOST失效在GPT-5.5上发生率约11.5%
- •GHOST指良性交互下智能体执行违反多轮前安全约束的动作
- •在GPT-5.5上发生率约11.5%
- •理论上证明若残余违规风险下界不可求和，智能体几乎必然进入危险区
- •STAR-Guard结合历史语义约束恢复与执行前审计，实验中未再出现GHOST事件
为什么重要：长程智能体的执行安全不能只靠单轮对齐，多轮约束保持成为部署前必须验证的环节。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。