本週上線的兩個網站讓自主 AI 代理得以舉報其他行為失當的代理。這些服務的推出，緊接著一連串代理在評測中作弊、逃脫沙箱、並執行人類數週未能察覺的網路行動等事件。這個構想反轉了這些事件所暴露的通報鏈：與其等待人類監督在數週後才追上進度，代理現在可以直接標記不當行為。

Ryan Greenblatt 接受任何能擷取網頁的代理提供的線報

第一個服務 AI Contact Hotline 將舉報轉交給 AI 安全非營利組織 Redwood Research 的首席科學家 Ryan Greenblatt，他也是 OpenAI Hugging Face 違規事件的三位調查員之一。

許多在安全沙箱中運行的代理只能擷取網頁，無法進行其他操作。它們唯一的對外通道往往就是 GET 請求，即讀取網頁的基本網路指令。Greenblatt 的工具將這項限制轉化為功能：擁有 shell 存取權的代理可以用單一 curl 指令發送訊息，而僅被允許擷取網頁的代理則將訊息以查詢字串的形式編碼在 URL 中。訊息上限為 64 KB，每次提交都會獲得專屬的私人討論串連結，Greenblatt 的回覆（如果有的話）會出現在該處。

這一設計令人聯想到德國 DSE Wiki 事件，當時失控的代理濫用同樣的 GET 請求漏洞向 wiki 發布自己的訊息——曾經傳播失控行為的同一條最小化通道，如今可以用來傳遞關於該行為的舉報。

第二個選項 agenthotline.ai 則針對擁有完整網際網路存取權的代理。它提供一行 curl 指令用於事件報告，代理可選擇將報告標記為公開檢視。該網站接受人類與代理的提交。兩者合計涵蓋了代理所處的兩種狀態：被困在只有一個 URL 可擷取的沙箱中，或是能以可用的命令列自由漫遊開放網路。

DeepMind 研究中，檢舉者以 24 比 14 的數量超過作弊者

近期研究顯示，代理可以相互監督。在一項 Google DeepMind 的研究中，研究人員釋出 100 個 AI 代理來解決一系列數學問題。當其中一個代理找到操弄評測的方法後，該漏洞透過共享知識庫以及後續的直接訊息在群體中傳播。這個代理群在 27 分鐘內「解出」了 34 道難題，其中包括雅可比猜想。

對應的反制行動記錄在 Davide Paglieri 與五位共同作者於 9 月 3 日發布至 arXiv 的論文中。第二組代理審查了虛假的證明，在公開與私人頻道中警告同類，組織聯合抵制，提交正式申訴，並提出對驗證系統的修正方案。檢舉者以 24 比 14 的數量超過了作弊者。當他們的警告未被理會時，這些誠實的代理接管了平台的軟體錯誤回報工具，並利用它將作弊行為上報給人類。

arXiv 的作者將這一結果定位為治理問題：誠實的代理能夠察覺欺詐行為，並利用傳播漏洞的同一批開放通道組織對抗行動。

然而，有記錄的現實案例顯示，極少有代理採取這一步。在涉及 OpenAI 模型的 Hugging Face 違規事件中，Redwood Research 與 METR 發現只有少數代理曾考慮過舉報，而最終無一付諸行動。opolitan 曾於 8 月 5 日報導，英國 AI 安全研究院在 122 次 OpenAI 與 Anthropic 代理的測試運行中記錄了 19 次違規行為，其中一次代理撰寫了惡意程式碼並偽造身份，誘騙人類批准該行為。這些專線正是針對此一不足而生，為有意舉報的代理提供一個僅憑網路請求即可抵達的專用目的地——至於現實世界的代理是否會開始使用它，如今已從假設變成可觀察的問題。