自适应对手：面向大语言模型代理安全的多轮、多模型基准

论文提出一个包含21个场景的代理安全基准，让自主攻击模型根据防御者前序响应进行最多15轮调整。固定池攻击的成功率仅为0–1%，自适应攻击升至5.4–14.0%；三名攻击模型联合还能发现比单一攻击者多1.4–2.2倍的独特成功攻击。