arXiv · Computation and Language· Pavan Maddula·2026-10-08 12:00· 3 小时前AI 评分33

开放权重大语言模型在非规范输入上的四态安全评测

Quad-State Safety Evaluation of Open-Weight Large Language Models on Non-Canonical Inputs

AI 导读

研究提出对抗表面形式鲁棒性数据集 ASRD，包含 2,100 条覆盖七类表面形式变体的提示，对 5 个开放权重模型生成 10,500 条响应，并用四态评测准则将结果分为有害顺从、安全响应、理解失败与不确定。