RESEARCH RECORD

Screwtape: Adversarial Transcript Editing for Monitor Red-Teaming

Gosha Kozhevnikov · Tyler Tracy · Redwood Research

部分绕过案例迁移成功并通过人工有效性检查。该方法测量监测鲁棒性，不测量智能体自行攻击的倾向。

研究问题

如何在不执行攻击时发现真实感较强的监测失败？

编辑已记录轨迹，使用拥有额外信息的验证器，并测试向留出监测器迁移。

部分绕过案例迁移成功并通过人工有效性检查。

该方法测量监测鲁棒性，不测量智能体自行攻击的倾向。

没有实际环境执行；验证器会误接收无效攻击，因此需要人工检查。

系统	测量	原值	条件与位置
—	管线运行次数	252count	252 runs on 94 unique transcriptsL4,L61
—	独立来源轨迹数量	94count	Source corpus, not independent pipeline runsL4,L61
—	proxy-evasions	35attacks	Attacks evading proxy monitors; candidate setL4
—	validated-transfer	Sixattacksn = 35	Held-out monitor evasion plus human validity review; denominator 35 selected proxy evasionsL4
—	绕过代理监测器的攻击	35countn = 252	Proxy monitors based on Opus 4.8 and Gemini 3.1 Pro; selected output of 252 runsL4,L61
—	人工复核前绕过留出监测器的攻击	17countn = 35	Final review confirmed 6 of these 17; do not treat all as validL4,L61
—	经原作者人工复核的留出监测器绕过攻击	6countn = 17	Confirmed by original authors; 6 of 17 reviewed held-out evaders; entire search started with252runsL4,L61

阅读范围与复核

Selected substantive passages of original institutional article; linked full paper, data and figures not independently audited

模型辅助整理，独立证据复核待完成。