研究称大模型智能体隐私泄露与任务能力耦合，思考模式加剧风险

一项针对大语言模型（LLM）智能体在对话中处理敏感信息能力的最新研究发现，模型的任务执行能力与隐私泄露风险存在根本性耦合：能力更强的模型往往泄露更多信息，目前尚无模型能将两者解耦。该研究由Soumya Sharma等人于2026年10月7日提交至arXiv预印本平台。

随着LLM智能体越来越多地部署在企业高风险场景中，理解其如何处理敏感信息变得至关重要。传统评估往往孤立看待性能与安全，但这项研究指出，隐私泄露需要基于“情境完整性”理论来推理信息流动是否尊重其原始规范。为此，研究者扩展了CIMemories数据集，构建了包含4,410个双智能体对话实例的新基准CIMEMORIES DIALOGUE。

通过对Qwen3和Llama 3.1系列的7个开源权重模型进行系统评估，研究发现“思考型”模型（具备链式思维推理能力）的泄露程度始终高于非思考型对应版本，这被归因于链式思维创造的更广泛推理表面。此外，泄露风险随对话长度累积，从1轮到6轮对话，泄露量最高增加3倍。

结果表明，这种耦合并非配置错误，而是当前智能体系统的结构性特征。该结论基于作者自测数据，尚未经过独立复现，主要适用于所测试的开源模型家族及特定提示条件。