● ResearchOct 30, 2026 · 11:001 source
Exposure Is Not Commitment: Double-Stratified Evaluation of Latent Monitors for Tool-Using Agents
From arxiv.org
AI;DR
A double-stratified evaluation protocol separates injection exposure from behavioral commitment in latent monitors for tool-using agents, improving prediction of unsafe tool calls.
Read originalSign in to suggest
Sources
#safetyMarkdownScore 0.14.7k tokens
Content history (2)
- 2026-10-30 · Summary · vi · Replaced stored textNghiên cứu đưa ra phương pháp đánh giá kép tầng lớp nhằm kiểm chứng hiệu quả thực sự của …Các agent ngôn ngữ dùng công cụ dễ bị tấn công tiêm prompt gián tiếp, và một thư viện đan…
- 2026-10-30 · Title · vi · Replaced stored textĐộ phủ không đồng nghĩa với cam kết: Đánh giá kép tầng lớp của các bộ giám sát tiềm năng …Độ phủ không đồng nghĩa với cam kết: Đánh giá hai tầng của bộ giám sát tiềm ẩn cho các ag…