掩蔽侵蚀：自我改进智能体的验收门如何丢失冗余防护

自我改进 LLM 智能体在验收门只按任务成功率筛选 harness 编辑时，会因防护重叠而静默删除冗余防护。研究在两种智能体环境中对四道书面防护的全部子集测量危害，运行 411 次改进循环和 10 条门规则，发现被其他防护掩盖的删除几乎不增加可观测危害；相同成本下 20 任务批次保住全部防护，40 任务批次丢失全部六道。