本论文聚焦于大型语言模型（LLM）在代码生成中的安全性问题，指出现有基准测试往往依赖明确指定的安全需求，无法覆盖真实开发中提示词模糊或不完整的场景。作者从开发者视角出发，识别出三类典型风险场景：模糊需求（Ambiguous Requirements）、未充分指定的操作上下文（Under-Specified Operational Context）以及安全-功能冲突（Security-Functionality Conflict）。基于这些场景，构建了一个包含2700个测试用例的大规模基准，用于细粒度评估LLM在真实条件下的安全性。对八款最新LLM的广泛评估显示，所有模型在风险场景下的平均漏洞率超过56%。进一步研究发现，安全感知的提示（security-aware prompting）可以显著降低这些风险，提升幅度高达45%。该工作为LLM代码生成的安全评估提供了更贴近实际的测试框架，并证明了简单提示工程对缓解安全问题的有效性。

本研究针对Kubernetes（K8s）在微服务架构中作为容器编排标准所面临的安全配置一致性问题，系统比较了八种常用的Kubernetes加固指南，并基于最佳实践建立了包含79项配置建议的基准。通过对十种流行的静态配置扫描工具的结构化实证评估，发现不同加固指南和扫描器在配置问题覆盖范围上存在显著差异，且不同工具对配置问题的评分和排序方式不一致。研究结果强调了需要更标准化、透明和一致的Kubernetes配置问题风险评估方法。对于安全团队而言，该研究揭示了当前工具和标准之间的鸿沟，有助于选择更合适的扫描策略，并推动行业统一基准的形成。

该论文提出了 AgentSecBench，一个用于系统性评估大型语言模型（LLM）代理安全性的实证基准框架。LLM 代理在处理可信指令、检索记录和工具观测时，所有信息均通过同一个生成通道，导致数据流与权限混淆：即使应用策略未授权，不受信任的字符串也可能影响包含机密的响应或操作提议。AgentSecBench 基于一个形式化安全框架，定义了三个安全博弈：指令完整性、检索机密性和能力完整性，统一在“意图到执行无干扰”概念下，并允许特定的可泄露信息。该框架将应用策略表示为对授权观测和能力的投影，区分提示标注与强制投影，并衡量对抗优势以及防御是否在生成前关闭相关的模型可见通道。实验采用了精确标记（exact-marker）的方法，作为博弈的一种可观测实例，而非完整的语义安全声明，测试了泄露和禁止动作区分器，具有明确的真值基准。作者使用 Qwen3-0.6B 和 Qwen3-1.7B 模型，对六类防御方法进行了配对对抗性和良性控制执行实验。测量结果表明，当通道关闭时风险降低，但模型可见的对抗能力在某些情况下仍然可利用。最终成果是一种面向安全的评估方法：提示文本可以描述边界，而来源投影、能力限制和输出验证可以强制实施边界。该研究为 LLM 代理的安全评估提供了可量化的方法论，适合安全研究人员和 LLM 应用开发者阅读。