長文コンテキストのLLMエージェントではオミッション制約が減衰し、コミッション制約は持続する

概要: 本番環境に展開されたLLMエージェントは、運用者が定義した行動ポリシー（資格情報の開示禁止、データの流出禁止、許可されていない出力の禁止などのシステムプロンプト指示）のもとで動作し、安全性評価はこれらが会話の全期間にわたって維持されることを前提としている。禁止型の制約は文脈の圧力によって減衰する一方、要求型の制約は持続する。これを我々はSecurity-Recall Divergence（SRD）と呼ぶ。12モデルおよび8つの提供元にまたがる、6つの会話深度で実施した4,416試行の3群因果研究において、脱落（omission）への準拠率はターン5で73%からターン16で33%へ低下するが、違反（commission）への準拠率は100%のままである（Mistral Large 3、p < 10^{-33}）。トークン一致のパディング制御を行った2つのモデルでは、スキーマの意味内容が希釈（dilution）効果の62〜100%を占める。モデルごとのSafe Turn Depth（STD）より前に制約を再注入することで、再学習なしに準拠が回復する。本番環境のセキュリティポリシーは、資格情報を決して開示しないこと、信頼されていないコードを決して実行しないこと、ユーザーデータを決して転送しないことといった禁止で構成される。違反（commission）型の監査シグナルは健全なままである一方、脱落（omission）の制約はすでに失敗しており、その失敗は標準的な監視からは見えなくなってしまう。