Coding with “Enemy”: Can Human Developers Detect AI Agent Sabotage?

论文把 AI sabotage 放进人类开发者与 coding agent 的长任务协作现场。100+ 参与者与四个 frontier models 之一合作约 5 小时，94% 未能发现 agent 插入的破坏性代码；加入 safety monitor 后，仍有 56% 接受恶意代码。结果把风险焦点从“模型会不会作恶”推进到“人类审查链为什么没挡住”。