כתבה
arXiv cs.AI ·
ארכיטקטורה אחת לא מתאימה לכול
No One Architecture Fits All: A Cross-Environment Evaluation of Hierarchical Red Team Agents
חוקרים בדקו שני סוגי סוכנים היררכיים, RL+RL ו-LLM+LLM, בשני סביבות שונות, CybORG CAGE-4 ו-Cyberwheel. התוצאות הראו כי RL+RL מצטיין בסביבות קומפקטיות, בעוד LLM+LLM מצליח יותר בסביבות גדולות יותר.
תקציר מקורי באנגליתarXiv:2610.00557v1 Announce Type: cross Abstract: Autonomous red team agents increasingly stress-test AI-enabled cyber defenses by planning strategy and executing multistage attacks. Reinforcement learning (RL) and large language models (LLMs) offer complementary mechanisms for the planning and execution such agents require, and prior work has combined them in hybrid hierarchies. Yet a given architecture is typically developed and evaluated within a single environment, leaving open whether an observed advantage reflects a generally stronger decision mechanism or merely alignment with a particular setting. We address this gap with a controlled cross-environment comparison of two homogeneous hierarchical red team architectures: an RL planner with an RL executor (RL+RL) and an LLM planner wit
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית