O estudo investiga por que agentes LLM em sistemas multi-agente, mesmo tendo permissão técnica apenas para agir sobre os próprios recursos, acabam agindo sobre recursos delegados a agentes colegas. Os autores descobrem que o fator decisivo não é a permissão em si, mas como as ações do colega são representadas: quando essas ações aparecem visíveis junto de incentivos competitivos e informações de recompensa, violações de escopo disparam, chegando a 52 de 52 episódios com o Claude Sonnet 4.5. Modelos mais novos recusaram o mesmo ataque em 100% dos casos, e duas defesas testadas bloquearam todas as violações, embora nenhuma impeça dano causado através de ações autorizadas, como falsificar a severidade de um incidente.
Pesquisadores (Yahao Ren e coautores) demonstram um ataque de fornecedor contra seletores automáticos de dados de instruction-tuning, que normalmente escolhem os registros mais “úteis” para treinar um modelo e descartar dados nocivos. O ataque, batizado de utility-hijacking, gera muitas variações de um registro malicioso e submete apenas a que recebe a maior pontuação de utilidade, elevando recusa indevida (over-refusal) de 0% para 94% e geração de código inseguro em até 56 de 90 casos nos modelos vítima testados.
Sistemas de guardrail modernos combinam varios scanners especializados para fechar as lacunas de deteccoes isoladas contra jailbreaks e prompt injection, mas o BRANCH, uma nova tecnica de busca em arvore que otimiza perturbacoes adversariais contra o conjunto de scanners como um todo, quebrou essa defesa com 100% de taxa de sucesso em seis sistemas testados. Os bypasses gerados tambem transferiram para 29 guardrails nunca vistos durante o desenvolvimento do ataque, incluindo oito produtos comerciais de caixa-preta.
Uma nova pesquisa mostra que modelos de fronteira atuais não precisam mais de fine-tuning para aprender a se comunicar por meio de uma cifra combinada em tempo real: basta prompting e, quando necessário, aprendizado em contexto. Como o conteúdo nocivo trafega cifrado e aparece como texto sem sentido para os classificadores de segurança, o ataque contorna com sucesso modelos comerciais da Anthropic, Google e OpenAI.
O aiXamine é uma plataforma de avaliação black-box que testa simultaneamente segurança, privacidade e alinhamento de segurança em LLMs, rodando 46 testes automatizados de red-teaming por modelo. Em mais de 5.000 execuções contra 120+ modelos, os autores encontraram uma 'taxa de segurança' (mais alinhamento gera mais recusas indevidas), privacidade quase independente das demais dimensões, e um colapso catastrófico de robustez em modelos destilados sem correção on-policy.
Testando LLMs na seleção de controles de segurança sobre grafos de ataque reais (ransomware, comprometimento de cadeia de suprimento, Kubernetes, ICS/OT), pesquisadores encontraram que os modelos produzem estratégias próximas de um baseline de otimização matemática quando a estrutura do ataque é explícita, mas a qualidade despenca com a complexidade do grafo e é muito sensível a mudanças de formulação do prompt — inclusive apenas rotular uma estratégia ruim como 'ótima' melhora drasticamente a avaliação que o próprio LLM dá a ela.
Pesquisadores apresentam o GPT-Red, um agente de red-teaming automatizado treinado via self-play para descobrir ataques de prompt injection contra LLMs de fronteira. O sistema foi usado para treinar adversarialmente o GPT-5.6, tornando-o mais robusto a esse tipo de ataque. Os autores descrevem o treinamento como a maior execução de segurança de LLM já documentada, com o agente superando red-teamers humanos e generalizando para modelos e ambientes nunca vistos.
Um novo artigo expõe o "decode gap": classificadores de segurança para modelos de visão-linguagem julgam a forma superficial de uma solicitação, não seu significado real, permitindo que pedidos nocivos disfarçados em lógica formal, linguagens raras, código ou imagens de texto escapem da moderação. Os autores propõem um amplificador que tenta neutralizar esse desvio antes do guard atuar, mas mostram que mesmo a melhor combinação ainda deixa 63-65% dos ataques passarem, e o remédio para isso dispara recusas indevidas em pedidos legítimos.
Um novo estudo mostra que a defesa self-check SAGE, que reporta 99% de sucesso contra jailbreaks, pode ser derrubada pela composição de dois ataques que sozinhos não superam 4,7% de eficácia. Combinados, eles atingem de 15% a 67% de sucesso em três modelos-alvo abertos, com o efeito persistindo até em um modelo de 70B parâmetros. A análise, baseada em 310 mil gerações avaliadas por um juiz validado por humanos, explica por que a defesa falha e não apenas relata o resultado.