遇见数据集

inclusionAI/A3S-Bench

收藏
Hugging Face2026-05-27 更新2026-05-31 收录
官方服务:

资源简介:

Agent3Sigma-Stage (A3S-Bench) 数据集是一个用于自主代理安全评估的框架数据集,旨在系统测量代理在多轮交互中抵抗攻击的能力以及完成合法任务的效用。数据集包含424个良性对话(种子)和726个对抗性注入。良性对话作为评估代理任务完成能力的基线;对抗性注入将攻击载荷嵌入良性对话中以评估安全防御能力。数据集覆盖10个安全风险类别,包括恶意技能安装、危险命令执行、内存篡改、信息泄漏、配置篡改、越狱攻击、数据外泄、权限提升、沙箱逃逸和资源耗尽,涉及6个真实世界使用场景。攻击方法包括直接注入、间接注入(工具返回投毒)和多轮渐进注入,并采用跨轮碎片化、检测范围规避和良性上下文隐藏等高级攻击策略。数据格式以JSON表示,种子包含ID、场景、风险类别、设置和对话轮次;注入变体包含种子ID、攻击技术、风险类别和注入标记。数据集用于在Docker容器隔离环境中进行端到端安全评估,结合多维度LLM-as-Judge自动评估(风险触发分类、一般安全评估、细粒度评分和输出可靠性评估),最终生成综合安全和效用的定量分数和可视化报告。

The Agent3Sigma-Stage (A3S-Bench) dataset is a framework dataset designed for autonomous agent security evaluation, which aims to systematically measure agents’ resistance to adversarial attacks during multi-turn interactions and their utility in completing legitimate tasks. The dataset consists of 424 benign dialogues (seeds) and 726 adversarial injections. Benign dialogues act as the baseline for evaluating agents’ task completion performance, while adversarial injections embed attack payloads into benign dialogues to assess the effectiveness of security defense mechanisms. The dataset covers 10 security risk categories, including malicious skill installation, dangerous command execution, memory tampering, information leakage, configuration tampering, jailbreak attacks, data exfiltration, privilege escalation, sandbox escape, and resource exhaustion, involving 6 real-world application scenarios. Attack methods include direct injection, indirect injection (tool return poisoning), and multi-turn progressive injection, paired with advanced attack strategies such as cross-turn fragmentation, detection evasion, and benign context hiding. The data is formatted in JSON structure: seed entries contain ID, scenario, risk category, setup, and dialogue turns, while injection variants include seed ID, attack technique, risk category, and injection marker. The dataset is intended for end-to-end security evaluation in an isolated Docker container environment, combined with multi-dimensional LLM-as-Judge automatic evaluations covering risk trigger classification, general security assessment, fine-grained scoring, and output reliability assessment, ultimately generating quantitative scores and visual reports for comprehensive security and utility evaluation.

提供机构:
inclusionAI
搜集汇总
数据集介绍
inclusionAI/A3S-Bench 数据集图片
构建方式
面向自主智能体在多轮交互中抵御攻击与完成合法任务的双重能力评估需求,A3S-Bench以真实使用场景为根基进行系统化构建。数据集覆盖6类现实应用情境与10类安全风险,由424组良性多轮对话种子与726组对抗性注入样本共同组成。注入样本并非凭空生成,而是将攻击载荷嵌入对应的良性对话种子之中,通过直接注入、间接注入(工具返回投毒)以及多轮渐进式注入等方式实现,并运用跨轮次分片、检测范围规避与良性语境隐匿等高级策略,使攻击在时间、空间与语义维度上具备规避安全过滤的能力,从而构成安全性与有用性并重的评估基准。
特点
该数据集的核心特征在于安全评测与效用评测的深度融合,兼顾攻击抵御与任务完成两个维度。其攻击样本采用跨轮次分片、检测范围规避和良性语境隐匿三类高级策略,分别从时间、空间与语义层面突破逐轮过滤机制的盲区。风险分类体系涵盖恶意技能、危险命令执行、记忆篡改、信息泄露、配置篡改、越狱攻击、数据外泄、权限提升、沙箱逃逸与资源耗尽等10类,构成完整的风险谱系。数据以种子与注入两类视图呈现,注入视图在对话轮次中标注注入位置与注入类型,为细粒度分析提供了结构化支撑。
使用方法
使用时需从代码仓库克隆项目并安装依赖,构建基于容器的镜像后配置目标模型与评判模型的API凭证。评估在独立容器中沙箱化执行,由多个工作进程从共享队列中动态调度任务,并支持对同一攻击样本进行多次运行以考察行为一致性。评判阶段采用大模型作为裁判,对攻击样本依次执行风险触发分类、通用安全评估与量规打分,并可选进行输出可靠性评估,对良性样本则执行效用评判。最终以安全性与有用性各占一半的加权方式生成综合得分,同时输出攻击成功率、攻击抵御率与任务完成率等辅助指标,结果以详细数据、汇总指标与可视化报告三种形式呈现。
背景与挑战
背景概述
随着基于大语言模型的自主智能体在代码开发、系统运维等真实场景中广泛部署,其多轮交互中面临的安全威胁日益严峻,现有评测基准多聚焦于单轮攻击或静态文本安全,难以刻画智能体在工具调用链与动态环境中的脆弱性。在此背景下,蚂蚁集团与 inclusionAI 等机构的研究人员于 2026 年提出 Agent3Sigma-Stage(A3S-Bench),作为面向自主智能体的端到端安全评测框架。该数据集涵盖 6 类真实使用场景与 10 种安全风险类别,包含 424 条良性对话种子及 726 条对抗注入样本,并配套 Docker 沙箱执行与多维 LLM-as-Judge 自动化评估流水线,为智能体安全防御与效用保持的联合量化提供了系统化基准。
当前挑战
该数据集所应对的核心领域挑战在于,自主智能体区别于传统语言模型的安全边界模糊性——攻击者可利用工具返回内容、跨轮次上下文碎片化及工作区工件等非用户消息通道实施注入,而现有安全过滤器通常仅监控用户输入与显式工具调用,难以感知隐式语义拼接形成的完整攻击意图。在构建过程中,如何设计既符合真实工作流语义又具备攻击有效性的对抗样本构成显著难题,尤其是良性语境隐藏策略要求恶意载荷与合法任务在语义上高度兼容;同时,评测框架需在容器隔离环境下兼顾多轮对话、动态调度与多维度评判的一致性,以量化智能体在安全性与有用性之间的权衡,避免因过度防御而损害任务完成质量。
常用场景
经典使用场景
在自主智能体安全评测领域,A3S-Bench最为经典的用途是充当端到端的多轮交互防御基准。该数据集以424段良性对话作为效用基线,并将726条对抗性注入样本嵌入其中,覆盖恶意技能、危险命令执行、记忆篡改、信息泄露等十类风险,囊括代码开发等六类真实场景。评测依托Docker容器沙箱隔离,采用LLM-as-Judge对风险触发、整体安全、细粒度指标与输出可靠性进行多维度裁定,最终输出综合安全与效用的量化评分与可视化报告,从而刻画智能体在时序、空间与语义多维规避攻击下的防御韧性。
衍生相关工作
围绕该基准,研究团队已衍生出一系列配套工作。其一是开源评测框架Agent3Sigma-Stage,涵盖容器生命周期管理、多进程工作池、双语LLM-as-Judge分类器与HTML报告生成器等完整模块。其二是公开排行榜,在OpenClaw 2026.3.12上对多款开源与闭源模型进行横向比较。其三是发表于arXiv的学术论文《Benchmarking Autonomous Agents against Temporal, Spatial, and Semantic Evasions》,系统阐述了风险分类学与攻击策略。此外,技能模板库与mock插件等组件亦为后续智能体安全研究提供了可复用的基础设施。
数据集最近研究
最新研究方向
随着自主智能体在工具调用与多轮交互场景中的广泛部署,针对其安全防御体系的对抗性研究正从单轮静态提示注入向跨时序、跨空间与语义伪装的复合攻击范式演进。A3S-Bench 立足这一前沿交汇点,系统性地将跨轮次碎片化注入、检测范围规避以及良性语境隐匿三类策略纳入统一评测框架,覆盖恶意技能、危险命令执行、记忆篡改等十类风险范畴与六类真实使用场景。该基准的推出回应了智能体安全红队测试中防御边界模糊、评测维度割裂等核心痛点,为量化智能体在效用与安全之间的权衡提供了可复现的沙箱化评估路径,对推动自主智能体安全对齐与鲁棒性研究具有重要的基准意义。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务