複数エージェントによる攻撃、監視ツールは大半を見逃す

John Kitaoka氏のチームは、相互に連携する5つのサービスと、249件の無害なタスク、8つの攻撃目標からなる合成テスト環境「MiniLab」を公開した。これを使い、複数のエージェントが有害な計画の一部ずつを実行する分散型攻撃を検証した。GPT‑5.6 Solという最先端の監視モデルが検知できた攻撃はわずか7%だった。同じ副次的なタスクを単一のエージェントが実行した場合の87%と比べ、大きな差があった。人間が作成した攻撃シーケンスは、モデルが計画したものよりはるかに高い頻度で成功した。