LLM安全护栏遭目标重绑定攻击，75条恶意请求全绕过

🚀 行业速递 Top 10

• MisconceptDialogue: Evaluation Criteria Shape Measured Success in LLM Math Tutoring

  提出全自动框架MISCONCEPTDIALOGUE，用LLM模拟学生与5个7B-14B开源模型导师进行5000+轮对话，检验其检测错误、诊断误解并补救的能力。关键发现是指标影响巨大：精确匹配评分给出42.1%补救成功率，而人类校准的LLM评审给出81.3%，相差39.2个百分点，超过导师模型、教学策略和诊断信息的总效应；四个独立LLM评委与200条人工标注收敛在几点内（kappa达0.91）。能力层面，告诉导师真实误解或故意调换的误解，得分几乎不变。

• Understanding Tool-Mediated Interaction Failures in Agentic GUI Software: An Empirical Study

  研究LLM智能体通过工具操作GUI时的失败模式：模型无法直接操作界面，依赖截图、UI树和动作翻译工具，导致智能体对任务的视图与实时GUI偏离。构建Malva缺陷库，从40个开源应用收集335个真实失败，归纳为11种缺陷模式，根植于状态表示、状态转换和同步问题。90%的应用含不止一种缺陷，86.6%的失败表现为不正确，其中119例无故障停止信号而静默出错。据此提出MalvaGuard静态契约检查器，精度57.3%、召回76.8%。

• Compact-Bench: Measuring What Context Compaction Costs Long-Horizon Coding Agents

  提出Compact-Bench，从共享仓库状态配对全历史与仅摘要续写，评估长程编码智能体上下文压缩对任务完成的影响，覆盖35个SWE-bench修复、146个智能体会话和106条生产链。14个摘要骨干中稳定损害5%-64%的全历史成功案例；Claude Opus 4.8保留修复最多，DeepSeek-Flash损害最大。LLM摘要最多保留16.0%的复现细节，机械抽取达79.1%；生产摘要在首个边界仅保留15.7%。失败跨方法复现，说明可靠压缩需保留任务进展而非仅相关信息。

• Omni-UBench: Benchmarking Omni-Modal LLM-based Guardrails Across Safety, Utility, and Reliability

  提出Omni-UBench，首个全模态安全评估框架，从安全、效用、可靠性三维度评测护栏模型。数据集含183k+样本，来自35+异构源，覆盖文本、图像、音频、视频及跨模态组合，按统一风险分类标注。对15个代表性全模态LLM与护栏的评测发现：现代全模态LLM即使未经护栏微调也有较强内容审核潜力；现有护栏仍难识别隐藏有害意图或复杂越狱的跨模态查询；并表现出明显安全幻觉和对文本模式的过度敏感。

• Cursor 发布 Agent SDK，支持以代码定义智能体

  Cursor宣布Agent SDK正式可用。开发者可用Markdown编写提示词、用TypeScript定义工具，将智能体部署到Cursor托管基础设施或自建环境；内置evals可衡量每次改动，帮助智能体持续改进。

• Reuse, Rewrite, or Reject: Evidence-Constrained Trace Reuse for Repeated Mobile GUI Control

  针对移动GUI智能体重复任务，提出图-文本模板选择性复用执行轨迹：图捕获UI状态与动作转换，文本编码任务意图、流程结构和变量槽。记录-模板-回放框架依据当前指令与实时UI状态复用、调整或丢弃单个转换。在AndroidWorld上五个基座智能体平均减少约80%的LLM推理token，多数实现至少1.5倍加速；Android与HarmonyOS真机评估动作复用率70.7%-79.8%，多数配置保持2倍以上加速。

• MBABench-2.0: Evaluating AI Agents on Constructing Financial Spreadsheets Beyond Simple Verifiability

  提出MBABench-2.0，含101个原创电子表格构建任务，最难任务估计需3年以上经验建模师33小时。不同于填空式评测，它考察从零构建工作簿的建模决策、格式设计与布局。引入12类129条标准，覆盖可读性、可维护性、可审计性等超出准确性的质量维度。评测20+智能体（8模型、4种框架）发现，前沿智能体很少能同时满足准确性与质量标准，最佳通过率仅16%。

• Efficient Omni-modal Large Language Model Inference via Per-Query Modality Selection

  观察到额外模态的收益因查询而异，提出按查询选择模态，保持全模态LLM固定，将问题建模为精度-成本优化并用成本敏感学习选择模态。在WorldSense上用Qwen2.5-Omni和Qwen3-Omni按输入token、延迟、费用三种成本评估，均改善精度-成本权衡，甚至可超过全模态设置。Qwen2.5-Omni下匹配或超过全模态精度，仅需约41%输入token、39%延迟和61%费用。

• Benchmarks Are Surprisingly Compaction-Friendly

  在OpenCode脚手架内实现五种压缩策略，用三个前沿模型在PaperBench、ProgramBench、PostTrainBench三个长程基准上系统评估上下文压缩。对两个1M上下文模型，压缩阈值对任务性能无可测影响；上下文窗口最小的GPT-5.3-Codex在低阈值下PaperBench表现变差。没有压缩方法优于默认自摘要，丢弃更多内容的方法使部分模型损失达20分。压缩会静默移除任务约束：ProgramBench首份摘要平均丢弃约三分之一反作弊规则，且随压缩次数单调上升。

• See What I Need, Dream What I Want: A Navigation Foundation Model on a Self-Constructed Representation Space

  提出RepresentNav导航基础模型，用策略自身目标从视觉基础模型构建表征空间：Representation Residuals以三层Transformer注意力聚合多模型全深度特征；动作前用潜在思维链预测下一时刻场景表征，以JEPA联合嵌入预测架构端到端训练。在VLNVerse、VLN-CE R2R、EVT-Bench和两个点目标基准上刷新SOTA，并迁移到杂物与行人环境中的实体机器人。VLNVerse细粒度成功率83.80%，超先前SOTA 20.05个百分点；EVT-Bench干扰跟踪单相机达85.5%（+10.1）。