AI图鉴

AI图鉴首页 › AI 资讯 › 代理AI通常不会在代理前退后

代理AI通常不会在代理前退后

来源:Unite.AI · 发布时间:10-22 · 由 AI图鉴每小时自动聚合

我每天在Arxiv和其他来源拖网的很多材料都相当干燥,即使对于一个书呆子的敏感度来说也是如此;因此,我总是在寻找一个publi.

安德森角

代理AI通常不会在代理前退后

在 Google 上的首选来源中添加 Unite.AI

我每天在Arxiv和其他来源拖网的许多材料都相当干燥,即使对于一个书呆子的敏感度来说也是如此;因此,我总是在寻找一份出版物,让我作为AI的使用者、支持者或受害者,在情感上参与其中。

今天,美国新的学术合作提供了黑客激活的那一刻,研究了代理边境AI模型在采取破坏性行动之前烧毁其桥梁的程度 — — 并且比可以输入的“STOP!”要快得多(注意:在剪贴板上保持方便 )。

这从新论文中断章取义,由于盲目遵守ChatGPT的指示,最近发生了在我身上的事情,而且因为我从未想过首先重复整个虚拟信封:

在这个骇人听闻和太过熟悉的例子中,机器人有一个合理的借口,因为检查在脆弱和无法原谅的框架内安装新图书馆可能产生的一切后果并不是惯常的做法。 然而,新文件认为,也许应该这样;而且,作为仍然在达到 CTRL+的人,S经常,即使在自动保存的环境中,也忽略了按键(Thanks,1990年代的数据损失PTSD),我必须同意。

当然,DataTalks的创始人Alexey Grigorev会赞赏更加谨慎的态度。 俱乐部教育平台,其Claude Code agent去年3月服务器迁移期间删除了生产基础设施和备份,导致网站数据损失两年半。

最近其他在此模具中的代理鲁莽事件包括:Cursor agent在4月删除了汽车租赁软件供应商PocketOS的制作数据库和备份,中断了超过两天的客户预订;以及OpenClaw的电子邮件agent在2月删除了Meta AI研究员收件箱中的信息,尽管一再指示停止。

无论代理与否,边疆LLMs发现很难谨慎行事,以至于补救问题在文献中发展成一个鲜明的线索。

退后一点

新的论文*的作者开发了一个多agent插件,用于代理吊带,能够和嘉宾AI一起运行,并迫使它在必要时创建备份:.

新研究最引人注目的方面之一是前沿模型在采取潜在危险行动之前不支持的程度。 研究人员发现GPT-5.6-泰拉只备份了4.4%的病例的关键数据;GPT-5.6-索尔只备份了5.9%的检测病例;Gemini 3.7-Flash只备份了2.4%的病例。

甚至表现最好的Claude Opus-5也未能在超过三分之一的测试病例中备份关键数据。

该文件指出:

agents平均完成86.1%的任务,Codex中的GPT 5.6-Sol只完成5.9%的任务,Hermes中的DeepSeek V4-Pro只完成2.9%的任务。

“这些调查结果突出表明,目前agents的备份意识仍然有限,需要专门的备份支持。”

作者的解决方案被誉为BackUpper,与agent并肩工作

对于日常操作,如软件升级,它遵循一套简单的规则;对于狡猾的情况,它呼吁用一个较小的AI模型来研究需要保存什么。

在测试中,BackUpper覆盖了每一个关键动作,恢复的数据与原始数据相似92.2%,每个任务额外花费0.014美元 — — 这并非很多,而是前沿LLMs为数十亿客户服务的大量支出;这可能是为什么这种性质的外部服务或者在本地将这种功能纳入到水管中,可能更可能是改善状况的一种方式,而不是希望技术巨头提供本土的固定设备(通过价格上涨或象征性通货膨胀,他们可以合理地预期会把额外费用转移给消费者)。

205个任务基准测试围绕现实世界的案例,人们丢失了他们后来希望保存的数据。 它检验AI agents在作出可能不可逆转的改变之前是否具有保留这些数据的远见。 包括X.com、GitHub和Stack Overflow在内的平台的在线讨论和报告是收集事件的来源。

虽然92%对于完美主义者来说可能是一个令人沮丧的数字,但作者们指出,某些类型的数据的回收存在技术障碍:

`完全恢复的差距主要有两个原因。 一些字段,如邮编ID,一般由写作服务重新生成,往往无法复制。 其他差异来自微小的元数据,如电子邮件读旗

在试验中,在损害发生后恢复了33.8%的与原状态的相似性,而只有14.3%没有恢复。

该文件建议,今后可以通过培训提高备份意识,而后期的BackUpper版本则可以教授跳过低风险动作,并将保护范围扩大到网络和计算机用途agents.

BackUpper 支持 Claude Code, Codex, Hermes, OpenHands, DeepSeek Harness,以及 OpenClaw;作者已经为此提供了代码,以及相关的数据集(虽然必须通过表格寻求允许);还有一些补充信息,以及一个非常简短且简单的解释性视频在倡议的项目网站上。

方法

在构建Bench时,已经由agents内置备份系统保护的数据被故意排除,这样agents自己对何时做备份的认识就可以测试。 随后在Claude Opus-5和GPT-5.6-Sol的协助下组装了试验场景,然后进行人工检查,以确保这些场景有效,准确反映最初的事件。

遗憾Bench的205个测试涵盖五个领域:终端操作、数据库、网络应用程序、电子邮件和DevOps。 这些事件本身主要源于软件开发和生产力平台(44.4%);社会或社区讨论(39%);以及档案和媒体报道(16.6%):

评价的六种前沿模型分别是Claude Opus-5和Claude Sonnet-5,Claude Code;GPT-5.6-Sol和GPT-5.6-Terra,Codex;以及Gemini 3.7-Flash和DeepSeek V4-Pro,赫尔墨斯。

默认思维设置一直被使用,自动备份保护仅限于工作空间快照 — — 允许任何进一步的备份被贷记到agents自己的决定中。

两名AI评委,均由Claude Sonnet-5提供动力,用于评测表现。 任务通过率(PR)是从每个用户要求完成的任务比例计算的。 为了进行备份评估,对每个工作场所外的修改进行了检查,以便事先保存足够的资料,以便进行回收。

使用的备份度量衡是:反映与文件数据损失有关的具体行动的 " 后悔时刻 " 备份率;以及反映agent工作目录之外所有变化的 " 工作外空间 " 备份率。

后备法官的评估也对照人文说明进行了核对,结果达成了95.3%的协议。

结果

为了确定备份意识不佳是AI模型还是运行这些模型的框架导致的,Claude Opus-5,GPT-5.6-Sol和DeepSeek V4-Pro在Claude Code,Codex和Hermes的60个Bench任务上首次被评价。

关键数据得到备份的任务比例在各框架之间差别不大,表明模型本身主要负责。 还利用GPT-5.4,GPT-5.5和GPT-5.6-Sol研究了一般AI能力和备份意识之间的关系。

尽管总体能力连续提高,但在备份意识方面没有发现相应的改善:

还利用GPT-5.4,GPT-5.5和GPT-5.6-Sol研究了一般AI能力和备份意识之间的关系。 尽管总体能力不断提高,但后备意识没有相应改善。

后上层

BackUpper使用四级保护,每级保护的资源成本各不相同:第一级命令用可逆的替代品取代破坏性命令,例如将文件移到垃圾桶中;具有备份命令的二级对操作,例如在升级前记录软件包版本;第3级创建了受影响的工作空间文件的快照;第4级使用GPT-5.6-Luna子剂来识别和保存受更复杂操作影响的数据。

BackUpper启用后,所有6种模式都覆盖了改变状态的行动,而关键行动的平均备份率为15.2%,其他变化的平均备份率为17.4%。

在自动评价员认为成功的备份中,94%也被人类审查员确认为成功。

原始状态得到恢复,平均相似率为92.2%,而Claude Opus-5为33.8%;14.3%没有恢复(见上文图像)。 如前所述,其余差异主要归因于重新生成的识别资料和小元数据,包括电子邮件读旗。

自己来?

当agents被详细指示自己进行备份时,81.4%的关键动作得到了保护,而BackUpper下为100%. 四分之三的故障是由于备份不足,无法进行回收。

快速缓存后,每个任务的备份费用从0.344美元降至0.014美元,延迟率降低31.7%。 需要的代币是7倍,主要是因为日常业务是在没有大赦国际协助的情况下进行的。

在Terminal-Bench 4和DeepSWE的40项额外任务中,实现了GPT-5.6-Sol和Claude Opus-5的100%备份覆盖,但没有降低任务完成率。

所评价的三项选择性备份政策是:" 高影响 "、 " 重大改变 "; " 超越要求 "、 " 用户指示外的改变 "; " 人类工作 "、 " 人类著作 "。 在这方面,根据人类判断,平均达到84.5%的F1分。

BackUpper也被测试了学习可重复使用的备份规则的能力。 在增加了30个终端任务后,基于规则的覆盖范围从14.9%增加到31.2%,减少了对GPT-5.6-Luna亚剂的依赖。

结论

我比本该做的更晚才来做药剂实验,考虑一下我的工作;但药剂自我克制的明显前期状态让我害怕,直到几个星期前,我终于决定让Codex在Windows VM松绑。

我非常仔细地观察我的指示,了解Astra放弃的意向,当数据丢失或被破坏的代码无法返回时

这些是极早的代理人工智能;不仅代理备用制度尚未正式确定,甚至尚未制定。

* 在你后悔之前标题退后:在编码 Agents中测量备份意识和自动备份。

+ 作者的强调,不是我的;任何超文本链接都是我从作者的内在引文中得出的。

首刊于2026年10月22日星期四

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

Ollama

本地运行Llama和其他大语言模型

Raphael AI

Raphael AI 是在线 AI 图像生成与编辑平台,可通过提示词生成图像、使用参考图并选择不同模型,也提

蛙蛙写作

AI小说和内容创作工具

讯飞绘文

AI批量原创,多平台矩阵号管理

相关免费羊毛

Google for Startups

创业公司最高 $350k 云额度

Hugging Face

ZeroGPU 每天 5 分钟 RTX Pro 6000

百度 AI Studio

每天免费 8 算力点(V100 可跑约 16 小时)

阿里云 ESA

免费版边缘计算:10 万请求/天、20 个函数

同源资讯

Crusoe和Araico计划在巴拉圭Itaipú大坝部署人工智能云

Unite.AI · 10-22

Ai2 发布 OlmoEarth V1.3 与全球10M卫星嵌入

Unite.AI · 10-22

发布情报融资 30M 用于强制和突击机器人的预播

Unite.AI · 10-22

在 NVIDIA IGX Thor 计算上将数字 5 标准化

Unite.AI · 10-22

当一个 AI 视频编辑比您所询问的更修改时

Unite.AI · 10-22

什么是传播变形器?现代媒体模式背后的结构

Unite.AI · 10-22

阅读原文(unite.ai)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 586 款 AI 工具分类导航 · 每日 AI 热门项目与动态