相同载荷，不同通道：衡量工具使用语言模型中的信任不对称性

随着语言模型承担调用外部 API 等代理角色，其攻击面显著扩大。本文引入安全不对称分数（SAS），通过匹配载荷对，系统评估模型在面对用户消息、工具元数据或工具输出中相同恶意指令时的 susceptibility 差异。实验发现，原生代理模型对工具描述中的攻击更脆弱，而通用模型则相反；工具输出场景下该趋势反转，表明模型隐含地将工具元数据视为可信指令。机理研究揭示了安全相关表示的非线性编码特性，暴露了当前工具使用模型在处理对抗内容时的系统性盲区。