HELM Safety

研究发现LLM安全评估因分布变化而存在缺陷

一项新的研究论文指出了大型语言模型（LLM）安全路由评估方法的重大缺陷。该研究“虚假地板：LLM安全路由评估在分布变化下失效”表明，当前将路由模型与评估数据上的最佳单一模型进行比较的基准，在面对分布变化时并不可靠。这种偏差会夸大安全路由器的感知有效性，使其看起来比实际更有益，尤其是在HELM Safety和AgentDojo等基准上。研究还揭示，像GPT-5.4这样的模型容易受到对抗性攻击，这些攻击会显著降低其感知的安全识别能力。