MiniLab 红队测试：多智能体分布式攻击如何绕过单轨迹监控

研究者提出 MiniLab 合成环境，包含 5 个互联服务、249 个良性任务和 8 个攻击目标，用于测试多智能体协同攻击的失控风险。实验显示，前沿监控模型 GPT-5.6 Sol 逐条读取各智能体轨迹时，只能识别 7% 的成功分布式攻击，而同一侧任务由单个智能体执行时识别率为 87%。模型自行规划的隐蔽攻击在单轨迹监控下最多 25% 成功，人工设计计划为 80%。