一个保护自身
并在变好的系统。

分阶段红蓝对抗演进。Lyapunov 式收敛监控跟踪防御是否逐轮变强。

收敛性

Lyapunov 收敛性证明

FNR -60%，200 轮自演进后的数学可证收敛

加载收敛曲线...

V(x)= xᵀPx , V̇(x)≤ -α‖x‖² — Lyapunov 函数保证指数级收敛

-60%

FNR 降幅

从 10% 降至 4%，漏报率降 60%

数学可证

行为上界

Lyapunov 稳定性理论保证系统不会失控

每轮收敛

非经验调参

每次部署迭代都有向安全方向的数学保证

-67%

FPR 同步下降

从 6% 降至 2%，无安全盲区

大多数系统随时间变化。MAREF 的演进引擎硬化。 Lyapunov 式收敛监控根据观测到的指标历史计算稳定性指数，引擎跟踪错误指标是否下行——它在变好，而不是空转。

可度量的硬化。

指标历史上方的 Lyapunov 式指数显示防御是否在变强——收敛是被监控的，不是被假设的。

红蓝对抗。逐级升级。

分阶段攻击向量 + 五级红/蓝等级的红蓝对抗演进。每轮为防御打出 0-100 分。

用行动赢得的信任。

九因素 Trust Engine v2。每次交互重新校准信任度。反博弈检测阻止智能体钻空子。

可以度量的演进。

演进引擎用 Lyapunov 式启发式跟踪收敛：从观测到的指标历史计算稳定性指数，观察错误指标的下行趋势。这是可复现的运行时遥测，不是一个被断言的数学证明。

红蓝对抗，一轮接一轮。

红蓝对抗演进让真实的安检门、状态机和熔断器面对分阶段攻击向量，跨越五级红方和五级蓝方。每轮对检测、缓解、恢复和自适应打出 0-100 分——你可以看着防御一轮轮变强。

运行一轮红蓝防御

from maref.redblue import RedBlueEngine, PHASE1_ATTACKS
from maref.redblue import RedLevel, BlueLevel

engine = RedBlueEngine()
result = engine.run_round(
    round_id="demo-1",
    phase=1,
    attack=PHASE1_ATTACKS[0],
    red_level=RedLevel.R3,
    blue_level=BlueLevel.B2,
)

print(f"defense score: {result.total_score:.0f}/100")

信任是赢来的。每次交互。重新校准。

Trust Engine v2 每次交互加权九个因素：任务完成度、响应质量、延迟、错误率、合规遵守、行为一致性、同伴声誉、时间稳定性和协作得分。Goodhart 反博弈检测阻止智能体为了优化信任指标而牺牲实际可信度。

技术规格

演进方式

红蓝对抗，分阶段攻击向量

红方等级

5（R1 脚本小子 → R5 自主 AI）

蓝方等级

5（B1 被动 → B5 完全自主）

防御评分

检测/缓解/恢复/自适应，0-100

信任因素

9 — 任务完成度、响应质量、延迟、错误率、合规遵守、行为一致性、同伴声誉、时间稳定性、协作得分

收敛监控

Lyapunov 式启发式指数，基于指标历史

一个保护自身 并在变好的系统。