大規模言語モデル（LLM）を基盤とするエージェント型AIシステムは、自律的な意思決定システムへと急速に進化しており、従来のLLM脆弱性の範囲を超えた攻撃ベクトルを露出させている。既存のセキュリティ評価は特定の実装や領域に結び付いていることが多く、異種システム間での統一的な比較を難しくしている。このギャップを埋めるため、研究チームはRIFT-Benchと呼ぶ、グラフ表現に基づく動的レッドチーミングの方法論を提案した。これは多様なエージェントアーキテクチャにまたがる統一評価を可能にするものである。論文「RIFT-Bench: Dynamic Red-teaming For Agentic AI Systems」は2026年6月22日にarXivへ投稿され、識別子は2606.23927、分類はcs.AI（人工知能）、現在はプレプリントの状態にある。著者はYarin Yerushalmi Levi氏ら8名で、投稿者はRoy Betser氏である。
RIFT-Benchは新規の階層的表現を土台としており、自動化された2つのフェーズで動作する。第1段階の「Discovery（発見）」では対象システムの構造を抽出し、第2段階の「Scanning（スキャン）」では適応型の敵対的攻撃を展開して包括的な評価レポートを生成する。モデルの出力だけを見たり、実装の詳細に依存したりする評価とは異なり、RIFT-Benchは検査対象のシステムそのものを評価する。多様な攻撃ベクトルと目的に対応する、動的に適応可能な広範な敵対的プローブを用いる点が特徴である。この設計により、異なるアーキテクチャ間でも比較可能性が保たれ、異種のエージェントシステムにまたがる統一的なセキュリティ評価が可能になる。
有効性を検証するため、研究チームは多様な実装を含む45のエージェント型システムに対してこの評価パイプラインを実行した。その結果、本手法が異種のエージェントアーキテクチャへ効果的に一般化できることが示され、特定のフレームワークや領域に依存しないことが確認された。さらにRIFT-Benchは、システムや攻撃の評価にとどまらず、緩和策の直接評価にも対応している。これは問題の発見だけでなく、各種防御策の実効性を検証できることを意味する。著者らはこれらの能力により、RIFT-Benchがエージェント型AIシステムのセキュリティ評価に向けたスケーラブルな基盤になると主張している。
時系列で見ると、本論文は2026年6月22日（月）20:46:56 UTCにバージョンv1として投稿され、ファイルサイズは約4,698 KB、DOIは10.48550/arXiv.2606.23927で、DataCiteにより付与される（登録は保留中）。プレプリントとして公開されたものでピアレビューは未実施のため、その結論には今後独立した検証が必要である。それでもなお、本論文はエージェントのセキュリティ評価が断片化している現状に対し汎用的な枠組みを提示しており、自律的意思決定システムの安全性に関心を持つ研究者やエンジニアリングチームにとって参考価値が高い。