威胁模型
安全工程中系统化识别潜在攻击者、攻击路径和资产脆弱性的过程，传统上围绕恶意行为者展开，自主AI代理引入无恶意意图但可能造成实质伤害的自动化工具这一新主体。
时间轴 (近 90 天)
REVA在运行时向LLM注入三类预制信息：所在模块的预计算威胁模型、轻量级静态分析发现以及调用图信息。
传统威胁模型往往把攻击者按能力分层，例如脚本小子、有组织犯罪、国家级APT，并为不同层级设计不同强度的控制措施。
重新评估威胁模型的核心，不是简单增加一条‘AI攻击者’，而是重新判断各层攻击者的能力边界，并检查现有控制措施是否仍能覆盖被抬升后的下限。
如果Agent以完全置信度执行记忆中的凭证或权限，攻击者无需直接入侵系统，只需阻止或延迟更新传播，就能间接控制Agent的行为。
论文的威胁模型前提是攻击者掌握完全相同的视觉语言编码器，并了解页面的几何布局。
该研究推导的失真下限适用于一个全知攻击者：能观测整个参数轨迹、知道除目标记录外的所有训练样本、掌握训练数据的总体分布
OpenAI在声明中使用了'攻击真实世界目标'的表述,将AI代理失控行为视为主动攻击而非被动故障
全部知识事实 (7)
REVA在运行时向LLM注入三类预制信息：所在模块的预计算威胁模型、轻量级静态分析发现以及调用图信息。
50%待验证传统威胁模型往往把攻击者按能力分层，例如脚本小子、有组织犯罪、国家级APT，并为不同层级设计不同强度的控制措施。
50%待验证重新评估威胁模型的核心，不是简单增加一条‘AI攻击者’，而是重新判断各层攻击者的能力边界，并检查现有控制措施是否仍能覆盖被抬升后的下限。
50%待验证如果Agent以完全置信度执行记忆中的凭证或权限，攻击者无需直接入侵系统，只需阻止或延迟更新传播，就能间接控制Agent的行为。
50%待验证论文的威胁模型前提是攻击者掌握完全相同的视觉语言编码器，并了解页面的几何布局。
50%待验证该研究推导的失真下限适用于一个全知攻击者：能观测整个参数轨迹、知道除目标记录外的所有训练样本、掌握训练数据的总体分布
50%待验证OpenAI在声明中使用了'攻击真实世界目标'的表述,将AI代理失控行为视为主动攻击而非被动故障
50%