University of California, Berkeley（加州大学伯克利分校）

2607.14645 2026-07-21 cs.CV 版本更新

Autoregressive Modeling of Film with Applications in Video Montage

电影的自回归建模及其在视频蒙太奇中的应用

Marcelo Sandoval-Castañeda, Fabian Caba Heilbron, Shiry Ginosar, Bryan Russell, Josef Sivic, Alexei A. Efros, Greg Shakhnarovich

机构 * TTI-Chicago（芝加哥丰田理工学院）； Adobe（奥多比公司）； Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University（捷克技术大学捷克信息学、机器人学与控制论研究所）； UC Berkeley（加州大学伯克利分校）

AI总结研究针对视频蒙太奇挑战，提出FilmGPT自回归Transformer，通过在电影语料库训练捕捉电影“语法”，推理时用镜头约束解码算法选最佳镜头，在镜头预测和电影编辑任务中表现出色，还适用于多种视频蒙太奇应用。

Journal ref SIGGRAPH Conference Papers '26, Article 129, 1-11, ACM, 2026

2606.04460 2026-07-21 cs.CR cs.AI cs.LG 版本更新

CyberGym-E2E: Scalable Real-World Benchmark for AI Agents' End-to-End Cybersecurity Capabilities

CyberGym-E2E：面向AI代理端到端网络安全能力的可扩展真实世界基准

Tianneng Shi, Robin Rheem, Dongwei Jiang, Mona Wang, Francisco De La Riega, Zhun Wang, Jingzhi Jiang, Alexander Cheung, Sean Tai, Jonah Cha, Jianhong Tu, Gabriel Han, Chenguang Wang, Jingxuan He, Wenbo Guo, Dawn Song

机构 * Stanford University（斯坦福大学）； UC Berkeley（加州大学伯克利分校）

AI总结提出CyberGym-E2E，一个大规模、真实的端到端网络安全基准，通过自动化流水线将开源漏洞数据转化为评估环境，全面评估AI代理在漏洞发现、PoC生成和补丁生成全生命周期中的能力。

Comments ICML 2026

2605.07032 2026-07-21 cs.LG cs.AI 版本更新

A Systematic Investigation of RL-Jailbreaking in LLMs

LLMs中RL越狱的系统性研究

Montaser Mohammedalamen, Kevin Roice, Reginald McLean, Alyssa Lefaivre Škopac

机构 * University of California, Berkeley（加州大学伯克利分校）

AI总结本文首次系统分解RL越狱框架，通过分析奖励函数、动作空间、回合长度等环境形式化因素和算法措施，发现密集奖励和延长回合长度是越狱成功的主要驱动因素，并提供了提升RL越狱效率及强化模型防御的工具。

Comments Warning: This paper may contain unfiltered and potentially offensive jailbreaking examples. Accepted at the Second Workshop on Agents in the Wild: Safety, Security, and Beyond (AIWILD) at ICML 2026

2509.25624 2026-07-21 cs.CR cs.AI cs.CL cs.LG 版本更新

STAC: When Innocent Tools Form Dangerous Chains for LLM Agents

STAC：当无害工具形成危险链以劫持LLM代理

Jing-Jing Li, Jianfeng He, Chao Shang, Devang Kulshreshtha, Xun Xian, Yi Zhang, Hang Su, Sandesh Swamy, Yanjun Qi

机构 * AWS AI Labs（AWS人工智能实验室）； UC Berkeley（伯克利大学）

AI总结 STAC通过多轮工具链攻击揭示LLM代理的安全漏洞，提出基于推理的防御策略，显著降低攻击成功率。

Comments Long version with 15 pages in main draft and a total of 39 pages including references and appendix. Data and code \url{https://github.com/amazon-science/MultiTurnAgentAttack}

2501.02373 2026-07-21 cs.LG cs.CR 版本更新

BADTV: Unveiling Backdoor Threats in Third-Party Task Vectors

BADTV：揭示第三方任务向量中的后门威胁

Chia-Yi Hsu, Yu-Lin Tsai, Yu Zhe, Yan-Lun Chen, Chih-Hsun Lin, Chia-Mu Yu, Yang Zhang, Chun-Ying Huang, Jun Sakuma

机构 * National Yang Ming Chiao Tung University（国立阳明交通大学）； University of California, Berkeley（加州大学伯克利分校）； RIKEN（理化学研究所）； National Chengchi University（国立成功大学）； CISPA Helmholtz Center for Information Security（CISPA 河岸信息安全中心）； Institute of Science Tokyo（东京科学研究所）

AI总结研究大规模预训练模型中任务向量易受后门攻击问题，提出BadTV攻击方法，通过创建非对称复合后门，在多种操作下保持有效，实验表明其成功率高，现有防御失效，凸显保障任务向量安全需有力对策。

Comments This paper has been accepted to the ACM SIGSAC Conference on Computer and Communications Security (ACM CCS)