这篇 ICLR 2025 的论文提出了“环境注入攻击”（EIA），揭示了网页智能体的一种新型隐私泄露风险。攻击者通过在网页 HTML 中植入隐藏恶意元素，诱导智能体在执行任务时，将用户的个人信息（PII）泄露出去。实验显示，针对特定 PII 的窃取成功率最高可达 70%。由于攻击后原任务仍能正常完成，用户难以察觉。论文强调，简单的提示词防御无效，需构建多层次的防御体系。
该论文提出 DeepTutor，一个以共享个性化引擎为核心的个性化学习框架，旨在解决大模型教育系统中问题辅导与问题生成相互割裂、缺乏持续学习者模型的问题。系统由静态知识基础（SKG）和动态个性化记忆（DPM）组成：SKG 提供课程知识依据，DPM 通过轨迹森林和学习者画像持续记录学习过程与薄弱点。DeepTutor 将辅导拆为“调查—引导—迭代生成”，将出题拆为“想法生成—题目/答案/解析生成”，并用独立 Validator 校验，使辅导与练习形成闭环。论文还提出 TutorBench 基准，实验显示其相比最佳基线整体提升 10.76%，验证了 SKG 与 DPM 对个性化教学的关键作用。
本文提出L3A，将解析持续学习方法ACL扩展到多标签类增量学习场景，目标是在不保存历史样本的情况下持续学习新类别并减轻遗忘。针对多标签数据中历史类别标签缺失的问题，方法利用上一阶段分类器为当前样本生成历史类别伪标签，形成更完整的训练标签；同时设计加权解析分类器，根据类别出现频率为不同样本分配权重，减弱高频类别主导、低频类别被忽视的问题。模型采用冻结的 TResNet-M 提取图像特征，并通过随机投影和ReLU映射到高维空间，最终利用加权岭回归的闭式解以及递归更新的 $R_t$ 和 $W_t$ 完成持续学习。实验表明，L3A在COCO和VOC多种增量协议下取得了较好的无回放多标签持续学习性能。