本文针对高风险部署场景（如国家安全）中的失控（Loss of Control, LoC）威胁，提出一种基于任务特定基准的反向链式缓解方法。研究背景是，在国防和情报等国家安全领域部署AI系统时，权限和许可（affordances and permissions）是重要的安全杠杆，但现有方法如结构化威胁建模、预部署代理评估、持续监控和AI安全案例各有局限且缺乏实证依据。作者提出一种互补的实证方法论：利用现有的特定用例基准，通过AI系统在国家安全基准上犯的错误来反向推导失控缓解措施。具体步骤为：(1) 在近似真实用例的任务特定基准上评估AI系统；(2) 聚焦于AI系统对基准问题给出的错误回答，反向推导这些错误回答所描述行为若被执行时，哪些权限和许可会导致下游危害；(3) 选择性地干预这些权限和许可，在阻塞危害路径的同时保留AI系统正确执行任务的能力。作者用衍生安全分类的演示性基准问题展示了该方法的可行性。本文主要贡献在于提供了一种基于证据、可立即实施的缓解思路，使国家安全部署者能够从自身产生的证据出发构建失控缓解措施，而不依赖外部未知威胁模型。适合国家安全领域的AI安全决策者、红队评估人员及AI安全研究人员阅读。