上海创智学院与复旦提出MATE轨迹安全审计方案

上海创智学院与复旦大学团队提出 MATE，一个面向移动/GUI 智能体的规则感知轨迹安全审计模型，已发表于 USENIX Security 2026。该模型将任务指令、执行轨迹与自然语言安全规则联合建模，输出违规判定、14 类风险类别和基于轨迹证据的审计解释，规则可编辑而无需重新训练。MATE 提供 0.5B、1.5B、3B 三种规模，显著小于常见的通用大模型 Judge，能够以较低资源成本本地部署。据团队实验，MATE-0.5B 在单张 NVIDIA H100 上审计一条轨迹约需 0.09 秒，同时取得 92.00% 准确率；MATE-3B 的延迟约为 0.21 秒，准确率达到 95.48%。报道同时说明，0.09 秒是 MATE-0.5B 在单张 NVIDIA H100 上测得的实验结果，实际延迟会随硬件、推理框架和输入长度变化，不应理解为所有本地设备都能稳定达到 100 毫秒以内。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。