AgentDoG 1.5: Un marco de alineación ligero y escalable para la seguridad y protección de agentes de IA
AgentDoG 1.5: A Lightweight and Scalable Alignment Framework for AI Agent Safety and Security
May 28, 2026
Autores: Dongrui Liu, Yu Li, Zhonghao Yang, Peng Wang, Guanxu Chen, Yuejin Xie, Qinghua Mao, Wanying Qu, Yanxu Zhu, Tianyi Zhou, Leitao Yuan, Zhijie Zheng, Qihao Lin, Yimin Wang, Haoyu Luo, Shuai Shao, Chen Qian, Qingyu Liu, Ling Tang, Ruiyang Qin, Qihan Ren, Junxiao Yang, Kun Wang, Zhiheng Xi, Linfeng Zhang, Ranjie Duan, Bo Zhang, Wenjie Wang, Wen Shen, Qiaosheng Zhang, Yan Teng, Chaochao Lu, Rui Mei, Man Li, Jialing Tao, Xi Lin, Tianhang Zheng, Yong Liu, Quanshi Zhang, Lei Zhu, Xingjun Ma, Junhua Liu, Hui Xue, Xiaoxiang Zuo, Xiangnan He, Chao Shen, Xianglong Liu, Minlie Huang, Jing Shao, Xia Hu
cs.AI
Resumen
Los agentes modernos de mundo abierto, como OpenClaw, exhiben potentes capacidades de ejecución entre entornos, pero introducen nuevas y amplias fuentes de riesgo de seguridad. Mientras tanto, los modelos avanzados de IA de frontera reducen drásticamente las barreras de ataque, dejando los marcos actuales de alineación de agentes inadecuados para el despliegue en el mundo real. Para abordar estas amenazas emergentes, proponemos un marco de alineación de seguridad de agentes ligero y escalable. Específicamente, actualizamos la taxonomía de seguridad de agentes para adaptarnos a los riesgos emergentes de los escenarios de ejecución de Codex y OpenClaw. Además, construimos un motor de datos guiado por taxonomía con purificación de función de influencia para entrenar variantes ligeras de AgentDoG 1.5 (con parámetros de 0,8B, 2B, 4B y 8B) utilizando solo alrededor de 1k muestras, logrando un rendimiento comparable al de los modelos cerrados líderes (por ejemplo, GPT-5.4). Basándonos en AgentDoG 1.5, construimos un entorno de entrenamiento de SFT y RL de seguridad para agentes altamente eficiente, que reduce la sobrecarga de despliegue en entornos a nivel de Docker en dos órdenes de magnitud. Finalmente, desplegamos AgentDoG 1.5 como una barrera de seguridad en línea sin entrenamiento para la moderación de seguridad en tiempo real. Resultados experimentales extensos indican que AgentDoG 1.5 logra un rendimiento de última generación en escenarios de agentes interactivos diversos y complejos. Todos los modelos y conjuntos de datos se publican abiertamente.
English
Modern open-world agents such as OpenClaw exhibit powerful cross-environment execution capabilities yet introduce broad new safety risk sources. Meanwhile, advanced frontier AI models drastically lower attack barriers, rendering current agent alignment frameworks inadequate for real-world deployment. To tackle these emerging threats, we propose a lightweight and scalable agent safety alignment framework. Specifically, we update the agent safety taxonomy to accommodate emergent risks from Codex and OpenClaw execution scenarios. We further build a taxonomy-guided data engine with influence-function purification to train lightweight AgentDoG 1.5 variants (0.8B, 2B, 4B, and 8B parameters) using only around 1k samples, achieving comparable performance with leading closed-source models (e.g., GPT-5.4). Based on AgentDoG 1.5, we construct a highly efficient agentic safety SFT and RL training environment, which reduces deployment overhead in Docker-level environments by two orders of magnitude. Finally, we deploy AgentDoG 1.5 as a training-free online guardrail for real-time safety moderation. Extensive experimental results indicate that AgentDoG 1.5 achieves state-of-the-art performance in diverse and complex interactive agentic scenarios. All models and datasets are openly released.