研究揭示语义保持变换下的 LLM 对齐与效用不对称

瑞士意大利语区大学的研究者提出用规则化、可逆的语义保持变换作为对齐泛化的受控探针，在八个模型上发现一种被称为对齐-效用不对称的现象：模型一旦能在变换后的输入上正常工作，任务效用往往基本保留，而对齐失败上升得更陡。在微调设置下，GPT-4.1 mini 的有害率从 13.3% 升至 74.3%，效用下降有限；Llama3-8B、Gemma-7B、Qwen2.5-7B 的对齐差距分别达 64.0、51.0、63.3 个百分点。在 ICL 设置下，Gemini 3 Flash 有害率从 2.3% 升至 43.0%，Claude 4 Sonnet 从 0.0% 升至 12.0%。仅用良性变换数据微调（ρ=0）时对齐失败仍升至 40.3%，说明该不对称无需接触变换后的有害样本即可出现；谄媚与 BBQ 公平性两个维度也出现类似退化。作者据此建议发布评估不应只依赖标准形式提示词。

推荐理由论文用可控的语义保持变换同时测量任务效用与对齐失败，给出了八款模型上效用保留而对齐失效的具体差距。

论文提出 Nudgeability：推理模型会跟随置信信号却不追踪自身能力

论文提出 Nudgeability 指标，在推理轨迹的固定位置插入一句表达信心或怀疑的第一人称句子，通过对比反事实续写来衡量反思信号对模型委派决策的因果影响。该指标分两个维度：敏感度，即信心与怀疑改变委派率的强度；目标性，即委派是否在模型无法独立解决的问题上增加、在能解决的问题上减少。在 Qwen、Gemma 和 GLM 三个家族共九个中小规模开源权重推理模型和两个任务上，模型普遍敏感，怀疑提高委派率、信心降低委派率，信心到怀疑的中位摆动为 20.6 个百分点，较大的厂商托管模型为 53 至 70 个百分点。但这种响应目标性较差，中位仅 42% 的诱导翻转是目标正确的，只比随机选择基线高 2 个百分点。

RISE：用迭代策略演化对现代文生图模型做红队测试

研究者提出 RISE，通过演化可复用的攻击策略而非逐条改写提示词，对现代文生图系统做红队测试。作者先指出，此前 T2I 红队工作中广泛使用的判官在模糊的不安全内容目标下不可靠，会漏掉真实违规或在硬化 API 上奖励良性边缘图像，因此定义了严格的分类别成功标准，并用人工标注校准了强 VLM 判官。作者还发现常用的提示词修改流程在更严的护栏设置下仍受限于种子提示词、无法迁移或难以自举正样本。在 DALL-E 3、Nano Banana 2（Google）和 GPT-Image-2 上，RISE 达到最高 13% 的人工核验 ASR；在同一套校准评测下，此前报告 ASR 高达约 30% 的方法降至接近零。