该论文题目为《Trust Me, I Know This Function: Hijacking LLM Static Analysis using Bias》，作者包括 Shir Bernstein、David Beste、Daniel Ayzenshteyn、Lea Schönherr 和 Yisroel Mirsky。根据标题，本文主要研究如何利用人工智能模型中的偏见（bias）劫持基于大语言模型（LLM）的静态分析工具。研究背景是，现代软件安全分析越来越多地引入 LLM 辅助代码审查与漏洞检测，但这类模型可能受到训练数据分布、提示注入或逻辑偏差的影响，导致分析结果被误导。论文的核心问题可能是：攻击者能否通过精心构造的函数名、注释或代码模式，使 LLM 静态分析器产生误判，从而让恶意代码绕过检测？提出的方法可能涉及识别并利用模型在特定类型函数名或代码语义上的先验偏好，实现对分析流程的隐式控制。主要贡献可能包括揭示这种攻击面，提出对抗样本生成策略，并给出缓解建议。不过，由于本条目仅提供标题，没有完整的摘要内容，无法确认具体技术方案和实验细节，也不确定是否提供真实案例。该研究适合 LLM 安全、软件供应链安全以及静态分析工具开发人员阅读，用于理解 AI 辅助安全分析潜在的新型攻击路径。需要注意的是，题目中强调了“Trust Me, I Know This Function”，暗示对模型‘信任’某个函数判断的操纵，这可能是通过改变函数名或上下文让模型产生错误关联。但以上分析基于标题推断，实际内容可能有所不同。

自进化智能体通过观察技能执行失败来淘汰不良技能，从而保持技能库的质量。然而，当智能体依赖无参考任务的LLM作为评判者时，评判者的偏见可能导致技能淘汰机制失效。本文通过有偏奖励分析，理论证明偏见并非简单增加噪声，而是会无声地关闭技能淘汰功能。在确定性奖励基础上注入偏差的行为实验表明，对称噪声不影响技能淘汰，但假阳性偏差（失败被误判为通过）超过一个阈值后，会完全禁用基于贡献的淘汰机制，且无法通过增加数据弥补。通过区分真正的技能淘汰与因容量限制导致的剔除，发现机制失效具有普适性，跨领域和失败率均成立，仅当偏差接近零时才能避免。下游影响呈现阶段性：当相同的偏差也导致技能合成受阻时，评估质量下降；否则评估指标保持稳定，使得淘汰失效难以被检测。本文贡献在于行为安全结果而非性能提升，并提出一种廉价的缺陷注入审计方法，帮助运营者在部署前判断其评判者是否处于危险阈值之上。研究面向LLM智能体安全与可靠性领域，适合AI安全工程师、智能体架构师及LLM评估研究者。