#潜在监控

研究提出双重分层协议，重估工具智能体潜在监控器

论文指出工具调用智能体潜在监控研究结果冲突多源于评测伪影，提出将注入暴露与行为承诺分离的双重分层协议。在 Qwen AgentDojo 网格上，仅用暴露样本重训的探针可提前两步预测不安全工具调用，AUROC 达 0.853。作者认为未分层 AUROC 高估了监控器所知。