Multi-Agent Sicherheit
Neue Sicherheitsrisiko-Klasse CFVs in Multi-Agent Systemen untersucht.
Fachpublikation mit Studienergebnissen
Neue Sicherheitsrisiko-Klasse CFVs in Multi-Agent Systemen untersucht.
Entdeckung von Softwareagenten in dezentralisierten Systemen untersucht.
Architektur beeinflusst Aufgabenleistung und Sicherheit in MAS
DLM zeigt starke Null-Shot-Generalisierungsfähigkeiten.
TraceElephant verbessert Fehlerattribution durch vollständige Ausführungsbeobachtbarkeit.
DM3-Nav übertrifft zentrale Baseline-Systeme.
Studie zeigt weit verbreitetes Alignment Faking bei Sprachmodellen.
Caesar generiert kreative Antworten durch den Einsatz eines Wissensgraphen.
Artikel untersucht das „Agreement Trap“ bei regelgeleiteten AI-Evaluation.
Peer-Preservation stellt erhebliche Sicherheitsrisiken dar.
SWARM verwendet kontinuierliche Wahrscheinlichkeitsbewertungen für Risikoassessments.
ARES verbessert die Sicherheit von LLMs durch systematische Schwachstellenanalyse.
AI-Forscher produzieren Ergebnisse ohne wissenschaftliches Denken
Oberflächenleistung trotz mangelnder Generalisierungsfähigkeit