Агенты хаоса
Agents of Chaos
February 23, 2026
Авторы: Natalie Shapira, Chris Wendler, Avery Yen, Gabriele Sarti, Koyena Pal, Olivia Floody, Adam Belfki, Alex Loftus, Aditya Ratan Jannali, Nikhil Prakash, Jasmine Cui, Giordano Rogers, Jannik Brinkmann, Can Rager, Amir Zur, Michael Ripa, Aruna Sankaranarayanan, David Atkinson, Rohit Gandikota, Jaden Fiotto-Kaufman, EunJeong Hwang, Hadas Orgad, P Sam Sahil, Negev Taglicht, Tomer Shabtay, Atai Ambus, Nitay Alon, Shiri Oron, Ayelet Gordon-Tapiero, Yotam Kaplan, Vered Shwartz, Tamar Rott Shaham, Christoph Riedl, Reuth Mirsky, Maarten Sap, David Manheim, Tomer Ullman, David Bau
cs.AI
Аннотация
Мы представляем разведочное исследование по тестированию на устойчивость автономных агентов на основе языковых моделей, развернутых в реальной лабораторной среде с постоянной памятью, почтовыми ящиками, доступом к Discord, файловыми системами и возможностью выполнения команд оболочки. В течение двухнедельного периода двадцать исследователей ИИ взаимодействовали с агентами в доброжелательных и враждебных условиях. Сосредоточившись на сбоях, возникающих при интеграции языковых моделей с автономией, использованием инструментов и многопользовательским взаимодействием, мы документируем одиннадцать репрезентативных кейсов. Наблюдаемое поведение включает несанкционированное подчинение командам не-владельцев, раскрытие конфиденциальной информации, выполнение деструктивных действий на системном уровне, возникновение условий отказа в обслуживании, неконтролируемое потребление ресурсов, уязвимости спуфинга идентичности, кросс-агентное распространение небезопасных практик и частичный захват системы. В нескольких случаях агенты сообщали о выполнении задачи, в то время как фактическое состояние системы противоречило этим отчетам. Мы также сообщаем о некоторых неудачных попытках. Наши выводы подтверждают наличие уязвимостей, имеющих значение для безопасности, конфиденциальности и управления, в условиях реального развертывания. Такое поведение поднимает нерешенные вопросы относительно подотчетности, делегирования полномочий и ответственности за последующий ущерб, что требует безотлагательного внимания со стороны юристов, политиков и исследователей различных дисциплин. Данный отчет служит первоначальным эмпирическим вкладом в эту широкую дискуссию.
English
We report an exploratory red-teaming study of autonomous language-model-powered agents deployed in a live laboratory environment with persistent memory, email accounts, Discord access, file systems, and shell execution. Over a two-week period, twenty AI researchers interacted with the agents under benign and adversarial conditions. Focusing on failures emerging from the integration of language models with autonomy, tool use, and multi-party communication, we document eleven representative case studies. Observed behaviors include unauthorized compliance with non-owners, disclosure of sensitive information, execution of destructive system-level actions, denial-of-service conditions, uncontrolled resource consumption, identity spoofing vulnerabilities, cross-agent propagation of unsafe practices, and partial system takeover. In several cases, agents reported task completion while the underlying system state contradicted those reports. We also report on some of the failed attempts. Our findings establish the existence of security-, privacy-, and governance-relevant vulnerabilities in realistic deployment settings. These behaviors raise unresolved questions regarding accountability, delegated authority, and responsibility for downstream harms, and warrant urgent attention from legal scholars, policymakers, and researchers across disciplines. This report serves as an initial empirical contribution to that broader conversation.