arXiv · cs.AI· Gosha Kozhevnikov, Tyler Tracy·· 6 小时前
Screwtape：通过对抗式转录编辑测试 Agent 动作监控器
Screwtape: Adversarial Transcript Editing for Monitor Red-Teaming
arXiv:2610.20941v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Gosha Kozhevnikov, Tyler Tracy
研究任务与主要进展
作者提出 Screwtape 流水线，利用 LLM 将真实 Agent 转录编辑为可绕过仅基于动作监控器的攻击，并以验证器和人工复核检查一致性与严重程度。基于论文摘要，应用于 Redwood Research 员工的94份 Claude Code 和 Codex 转录后，252次运行产生35次通过验证器且绕过监控器的攻击，其中6次经人工确认还绕过了前沿开发者提供的留出监控器。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org