Sécurité agents
Agent Security
Agentensicherheit
Sicurezza degli agenti
Sicurezza agent
Agent Mosaic : les agents LLM assemblent et divulguent des conclusions confidentiellesAgent Mosaic: LLM Agents Assemble and Disclose Confidential ConclusionsAgent Mosaic: LLM-Agenten setzen vertrauliche Erkenntnisse zusammen und legen sie offenAgent Mosaic: gli agenti LLM assemblano e rivelano conclusioni riservateAgent Mosaic: i agent LLM compagnen e divulghea conclusion confidenziaj
Des chercheurs de l'USC quantifient le « effet mosaïque » dans les systèmes agents : un agent reconstitue une conclusion sensible à partir de documents individuellement anodins. L'étude, soumise le 23 octobre 2026 aux Daily Papers (
arXiv:2610.30418), couvre 30 exemples cyber, médicaux et militaires pour 10 800 réponses en simulation et 1 440 en conditions réelles. Même le meilleur modèle testé, GPT-5.6-Sol, divulgue des composites interdits dans 7,08 % des réponses (IC 95 % : 3,75–10,67 %) ; avec en-têtes de classification et règles d'agrégation, 32,37 % de divulgations dangereuses subsistent (IC 95 % : 28,33–36,19 %).
USC researchers quantify the “mosaic effect” in agentic systems: an agent reconstructs a sensitive conclusion from individually innocuous documents. The study, submitted on October 23, 2026 to the Daily Papers (
arXiv:2610.30418), covers 30 cyber, medical and military cases across 10,800 responses in simulation and 1,440 in real-world conditions. Even the best model tested, GPT-5.6-Sol, discloses forbidden composites in 7.08% of responses (95% CI: 3.75–10.67%); with classification headers and aggregation rules, 32.37% of dangerous disclosures remain (95% CI: 28.33–36.19%).
Forschende der USC quantifizieren den «Mosaikeffekt» in Agentensystemen: Ein Agent rekonstruiert eine sensible Erkenntnis aus einzeln harmlosen Dokumenten. Die Studie, am 23. Oktober 2026 bei den Daily Papers eingereicht (
arXiv:2610.30418), umfasst 30 Cyber-, Medizin- und Militärbeispiele bei 10'800 Antworten in Simulation und 1'440 unter realen Bedingungen. Selbst das beste getestete Modell, GPT-5.6-Sol, gibt in 7,08 % der Antworten verbotene Verbundinformationen preis (95-%-KI: 3,75–10,67 %); mit Klassifizierungs-Headern und Aggregationsregeln verbleiben 32,37 % gefährliche Offenlegungen (95-%-KI: 28,33–36,19 %).
Dei ricercatori della USC quantificano l'«effetto mosaico» nei sistemi di agenti: un agente ricostruisce una conclusione sensibile a partire da documenti singolarmente innocui. Lo studio, presentato il 23 ottobre 2026 ai Daily Papers (
arXiv:2610.30418), copre 30 esempi cibernetici, medici e militari con 10 800 risposte in simulazione e 1 440 in condizioni reali. Anche il migliore modello testato, GPT-5.6-Sol, rivela composizioni vietate nel 7,08% delle risposte (IC 95%: 3,75–10,67%); con intestazioni di classificazione e regole di aggregazione, il 32,37% delle rivelazioni pericolose persiste (IC 95%: 28,33–36,19%).
Di ricercador de l'USC quantifichen el «effett musaic» in di sistema a agent: on agent el reconstituiss ona conclusion sensible a partì de document singolarment anodin. El studi, presentaa el 23 de otover 2026 ai Daily Papers (
arXiv:2610.30418), el coevr 30 esempi cyber, medegh e militar per 10 800 rispost in simulazion e 1 440 in condizion reaj. Anca el miglior model provaa, GPT-5.6-Sol, el divulghea composit proibii in del 7,08% di rispost (IC 95%: 3,75–10,67%); con header de classificazion e regoj de agregazion, el 32,37% de divulgazion pericolos el resta (IC 95%: 28,33–36,19%).
Agents créatifs
Creative Agents
Kreative Agenten
Agenti creativi
Agent creativ
FilmFlow : un réalisateur-agent pour la cinématographie 3DFilmFlow: A Director-Agent for 3D CinematographyFilmFlow: ein Regisseur-Agent für die 3D-KinematografieFilmFlow: un regista-agente per la cinematografia 3DFilmFlow: on regista-agent per la cinematografia 3D
Un chercheur de l'USC publie le 23 octobre 2026 FilmFlow, un système agentique qui convertit des instructions en langage naturel ou des vidéos de référence en trajectoires de caméra exécutables en 3D (
arXiv:2610.30753). Un agent Director compose les plans à partir d'opérations atomiques, épaulé par un Interpreter, un Scout et un Critic ; CinemaBench fournit 150 scènes Blender et 750 tâches dirigées par le texte, où FilmFlow domine toutes les bases de comparaison.
A USC researcher publishes on October 23, 2026 FilmFlow, an agentic system that converts natural-language instructions or reference videos into executable 3D camera trajectories (
arXiv:2610.30753). A Director agent composes shots from atomic operations, assisted by an Interpreter, a Scout and a Critic; CinemaBench provides 150 Blender scenes and 750 text-directed tasks, where FilmFlow outperforms all baselines.
Ein Forscher der USC veröffentlicht am 23. Oktober 2026 FilmFlow, ein agentisches System, das Anweisungen in natürlicher Sprache oder Referenzvideos in ausführbare 3D-Kameratrajektorien umwandelt (
arXiv:2610.30753). Ein Director-Agent komponiert die Einstellungen aus atomaren Operationen, unterstützt von einem Interpreter, einem Scout und einem Critic; CinemaBench liefert 150 Blender-Szenen und 750 textbasierte Aufgaben, in denen FilmFlow alle Vergleichsbasen dominiert.
Un ricercatore della USC pubblica il 23 ottobre 2026 FilmFlow, un sistema agentico che converte istruzioni in linguaggio naturale o video di riferimento in traiettorie di camera eseguibili in 3D (
arXiv:2610.30753). Un agente Director compone le inquadrature a partire da operazioni atomiche, affiancato da un Interpreter, uno Scout e un Critic; CinemaBench fornisce 150 scene Blender e 750 compiti guidati dal testo, dove FilmFlow supera tutte le basi di confronto.
On ricercador de l'USC el publica el 23 de otover 2026 FilmFlow, on sistema agentich che 'l converta istruzion in lengoeu natural o video de riferiment in traiettori de camera eseguibij in 3D (
arXiv:2610.30753). On agent Director el compogn i pian a partì de operazion atomich, juttaa de on Interpreter, on Scout e on Critic; CinemaBench el forniss 150 scen Blender e 750 lavorà dirett del test, indoa FilmFlow el domina tucc i bas de confront.
Agents & monde physique
Agents & the Physical World
Agenten & physische Welt
Agenti & mondo fisico
Agent & mond fisech
BrickWright : des agents qui construisent des montages LEGO physiquement validesBrickWright: Agents That Build Physically Valid LEGO AssembliesBrickWright: Agenten bauen physisch gültige LEGO-MontagenBrickWright: agenti che costruiscono montaggi LEGO fisicamente validiBrickWright: di agent che costruisen montagg LEGO fisegament valid
Une équipe de CMU montre le 23 octobre 2026 que les agents de codage frontière échouent souvent à produire des assemblages physiquement valides : les taux de validité s'échelonnent de 9 % (GPT-6 Luna) à 69 % (GPT-6 Astra) (
arXiv:2610.31651). Munis de BrickLayer, une API d'assemblage et un validateur de faisabilité, les mêmes agents atteignent 100 % de validité sur 512 prompts, tout en réduisant de moitié le coût d'inférence.
A CMU team shows on October 23, 2026 that frontier coding agents often fail to produce physically valid assemblies: validity rates range from 9% (GPT-6 Luna) to 69% (GPT-6 Astra) (
arXiv:2610.31651). Equipped with BrickLayer, an assembly API and feasibility validator, the same agents reach 100% validity on 512 prompts, while halving inference cost.
Ein Team der CMU zeigt am 23. Oktober 2026, dass Frontier-Coding-Agenten häufig keine physisch gültigen Montagen erzeugen: Die Gültigkeitsraten reichen von 9 % (GPT-6 Luna) bis 69 % (GPT-6 Astra) (
arXiv:2610.31651). Ausgestattet mit BrickLayer, einer Montage-API und einem Machbarkeits-Validator, erreichen dieselben Agenten 100 % Gültigkeit bei 512 Prompts und halbieren zugleich die Inferenzkosten.
Un team della CMU mostra il 23 ottobre 2026 che gli agenti di coding di frontiera spesso non riescono a produrre assemblaggi fisicamente validi: i tassi di validità vanno dal 9% (GPT-6 Luna) al 69% (GPT-6 Astra) (
arXiv:2610.31651). Dotati di BrickLayer, un'API di assemblaggio e un validatore di fattibilità, gli stessi agenti raggiungono il 100% di validità su 512 prompt, dimezzando al contempo il costo di inferenza.
Ona squadra de CMU la mostra el 23 de otover 2026 che i agent de coding de fruntiera fann minga sovent di montagg fisegament valid: i tass de validità i va del 9% (GPT-6 Luna) al 69% (GPT-6 Astra) (
arXiv:2610.31651). Dotaa de BrickLayer, ona API de montagg e on validator de fattibilità, i midemm agent riven al 100% de validità in su 512 prompt, e ghe la fen a metà del cost de inferenza.
Vie privée
Privacy
Privatsphäre
Privacy
Privacy
LLM-Attacker : standardiser le red-teaming des modèles de langage répartisLLM-Attacker: Standardizing Red-Teaming of Distributed Language ModelsLLM-Attacker: das Red-Teaming verteilter Sprachmodelle standardisierenLLM-Attacker: standardizzare il red-teaming dei modelli linguistici distribuitiLLM-Attacker: standardizzà el red-teaming di modej de lengoeu distribuii
Des chercheurs publient le 23 octobre 2026 LLM-Attacker, un cadre unifié d'évaluation de la vie privée pour les modèles de langage répartis, où le client envoie des représentations intermédiaires à un serveur (
arXiv:2610.22722). Dans une expérience contrôlée sur GPT-2, l'ajout de gradients lors de l'entraînement fait grimper la récupération de tokens de 94,20 % à 97,38 % et la récupération de documents exacts de 13,71 % à 37,77 %.
Researchers publish on October 23, 2026 LLM-Attacker, a unified privacy evaluation framework for distributed language models, where the client sends intermediate representations to a server (
arXiv:2610.22722). In a controlled experiment on GPT-2, adding gradients during training raises token recovery from 94.20% to 97.38% and exact document recovery from 13.71% to 37.77%.
Forschende veröffentlichen am 23. Oktober 2026 LLM-Attacker, ein einheitliches Evaluationsframework für die Privatsphäre verteilter Sprachmodelle, bei denen der Client Zwischenrepräsentationen an einen Server sendet (
arXiv:2610.22722). In einem kontrollierten Experiment mit GPT-2 steigt die Token-Wiederherstellung durch das Hinzufügen von Gradienten beim Training von 94,20 % auf 97,38 % und die Wiederherstellung exakter Dokumente von 13,71 % auf 37,77 %.
Dei ricercatori pubblicano il 23 ottobre 2026 LLM-Attacker, un quadro unificato di valutazione della privacy per i modelli linguistici distribuiti, in cui il client invia rappresentazioni intermedie a un server (
arXiv:2610.22722). In un esperimento controllato su GPT-2, l'aggiunta di gradienti durante l'addestramento fa salire il recupero di token dal 94,20% al 97,38% e il recupero di documenti esatti dal 13,71% al 37,77%.
Di ricercador publichen el 23 de otover 2026 LLM-Attacker, on quader unificaa de valutazion de la privacy per i modej de lengoeu distribuii, indoa el client el manda rappresentazion intermedi a on server (
arXiv:2610.22722). In d'on esperiment controllaa in su GPT-2, el giontà di gradient in l'addestrament el fa saltà la recuperazion de token del 94,20% al 97,38% e la recuperazion de document esatt del 13,71% al 37,77%.