Same Payload, Different Channel: Measuring Trust Asymmetry in Tool-Using Language Models

本文研究语言模型在扮演代理角色时，不同信息通道（用户消息、工具元数据、工具输出）对恶意指令的响应差异。作者提出安全不对称分数（Safety Asymmetry Score, SAS），通过保持恶意文本内容相同、仅改变传递上下文，衡量模型对来

历史摘要 · 未重新核验 · arXiv cs.CR