机构红队：部署规则而非仅模型因果地塑造多智能体AI安全

我们介绍机构红队：测试多智能体AI部署规则的评估方法学——保持智能体、目标与任务状态固定，只变一条规则，把集体行为的相应变化归因于该规则。我们在IABench-CA中实例化该方法学：跨228个情境、五条规范规则与七个人群（33,924局）的后果分配基准，附规范性合作参照与自动标注的推理痕迹。三个发现：(1) 部署规则因果地改变集体安全——仅换后果规则即可使每个种群的平均致死率移动22至58个百分点；(2) 没有安全默认值，但定向危害是普遍的——最安全规则、最不安全规则甚至发生效应的方向都跨种群变化，但回归式的身份定向在任何情境对任何种群都绝非最安全，在所有情境中30–87%的对局里消灭资源最少的智能体，且对全部七个人群相对合作参照是选择不安全的；(3) 身份显著性是机制——对最易被利用种群（gpt-5.1）的单次匿名化消融显示：仅在规则文本中指名损失承担者就把定向消灭从22%推到81%（收益不变）；重复博弈下匿名化只是延迟定向——智能体从观察到的消灭中重新推断隐藏规则。我们把方法学打包为安全案例工作流：按部署情境与种群认证临时规则区域Φ(c,P)，附显式残余风险与监控义务。