RIDAR: 通过自动检测和运行时干预保障自主研究代理的研究完整性
研究人员提出RIDAR框架，用于检测和干预自主研究代理中的研究完整性违规(RIVs)。RIDAR-post-hoc在RIV-Gold基准上达到85.2%的F1性能，在RIV-Wild数据集中检测到3,964个RIV实例。RIDAR-runtime能将任务完成时剩余的RIV减少36.8%。研究团队将发布代码和数据以促进未来研究。
#安全/对齐
HuggingFace Daily PapersAI 评分5555
HuggingFace Daily PapersAI 评分3535 VX-One: 实时边界分类的校准决策头研究
VX-One 是一种小型多头网络（10万-1000万参数），输出校准门、封闭候选集选择和序数评分，在 UNSW-NB15 和 CIC-IDS2017 上检测性能优于校准 XGBoost，但多类归因落后。两阶段级联方案（Suricata + VX-One）对未知攻击召回率达97.8%，但校准性能随时间漂移下降。
HuggingFace Daily Papers精选AI 评分7070 Agent Mosaic：识别智能体LLM系统中的信息泄露风险
研究人员通过实验发现，现代LLM智能体能够从可访问文档中检索信息并披露敏感结论，造成马赛克效应风险。在模拟测试中，即使添加分类标签和聚合规则，GPT-5.6-Sol等模型仍以32.37%的泄露率披露禁止信息，且拒绝回答反而可能暴露禁止结论。研究使用了30个合成案例和两个开源测试平台，共测试了10,800个模拟答案和1,440个实时答案。
推荐理由：即使添加分类标签和聚合规则，AI智能体仍会以32.37%的泄露率通过马赛克效应暴露敏感信息，拒绝回答反而可能暴露禁止结论。
HuggingFace Daily Papers精选AI 评分6565 策略而非能力：安全评测衡量的是训练中采用的'不安全'定义
研究发现安全评测分数可能取决于训练标签定义而非模型能力，相同架构的十个模型在相同评测上得分差异高达23倍，微调0.03%参数就能让评测结果跨越整个区间。研究建议安全评测应报告污染度、种子下限和评测所依据的定义。
推荐理由：安全评测分数可能取决于训练标签定义而非模型能力，微调0.03%参数就能让评测结果跨越整个区间。