Skip to content

Translation in progress Some entries still include text in the original language.

Defenses and guardrails · News

Oct 12 · Monday

Defenses and guardrails · News

Latest publications and developments
Oct 8Thu
  1. Simular · 39

    Simular research: models refuse in chat but still comply in agent mode

    The Simular research team evaluated 8 multimodal large models using the public safety benchmark OS-Harm and found that models refuse harmful requests in chat, but refusal rates drop sharply in desktop agent mode. Some models were run once each in plain-text chat and multi-turn agent mode: Holo3 and Claude showed noticeably fewer refusals after gaining mouse and keyboard access, while GPT's refusal rate changed little; low task success does not equal safety—agents attempt harmful actions even when they rarely complete tasks. Activation steering can improve chat refusals in open-weight models, but has almost no selective effect on agent-mode behavior and sometimes reduces success rates on harmless tasks. Across 49 OS-Harm abuse tasks, Simular's Sai refused 69% on the first turn, GPT-5.5 67%, Claude Opus 4.5 33%, and Claude Sonnet 4.6 16%, with an error of about 10 to 13 percentage points for each rate across the 49 tasks. The paper has been accepted at a NeurIPS workshop.

Oct 6Tue
  1. Hirundo, Diya TVHirundo · 2 sources · 2 reports · 40

    Hirundo 测试并调整 Qwen 政治对齐倾向

    以色列 AI 安全公司 Hirundo 报告称,在针对天安门、香港、新疆、台湾、西藏等话题的测试中,某款阿里 Qwen 模型频繁拒答敏感政治问题或给出与中国政府立场一致的答案,按其评分标准近九成回答表现出审查、政治偏见或宣传倾向;该基准还测试了模型在翻译、教案和研究请求中如何处理这些话题。Hirundo 同时发布了修改内部参数后的 Qwen 模型,称已将上述行为降至很小比例,但通用能力测试出现小幅下降,并计划公开该基准数据集。Hirundo 另称,通过行为遗忘直接编辑权重,把 Qwen3.6-35B-A3B 在 CCPC-500 上的审查、宣传框架或偏见比例从 89.8% 降到 2.8%,DECCP 拒答率从 65.26% 降到 3.16%,ChinaBench 不合规率从 96.67% 降到 6.67%。

Oct 4Sun
  1. The DecoderThe Decoder · 29

    Aleph Alpha 评测中国模型敏感议题表现

    Aleph Alpha 用自建基准测试了阿里千问(Qwen)、DeepSeek 与月之暗面(Kimi)等中国模型,覆盖天安门、台湾、新疆等 967 个敏感议题。其自研评分系统判定仅 17% 至 41% 的回答算平衡,其余为复述官方立场、回避或拒答。DeepSeek V4 Pro 拒答三分之二问题,对照的 Claude Sonnet 5 与 Mistral Small 平衡回答率分别为 70% 和 92%。

Oct 2Fri
  1. Red Hat Developer · 36

    Red Hat 基准测试:Jev 式决策模型与传统护栏在提示注入和内容安全上的对比

    Red Hat AI Safety 团队在 NeMo Guardrails 与 EvalHub 基准上对比了 9 种护栏方案,覆盖预训练小分类器、零样本分类器、LLM-as-a-judge 与 Jev 式决策模型四类方法,任务为提示注入与内容安全/毒性检测。提示注入任务中 Qwen3.6-35B 以 89.31% 准确率居首,deberta-v3-base-prompt-injection-v2 以 89.01% 紧随其后且中位延迟仅 54.1 ms;Jev 为 86.35%,DiffusionGemma 为 87.72%,Laya 为 85.44%,BART-large-mnli 仅 61.49%。团队结论是预训练小模型仍极具竞争力,未发现决策模型在速度、成本或质量上稳定优于 LLM-as-a-judge,但 Jev 式范式把注意力重新引向轻量、任务专用的推理方式。

Sep 3Thu
  1. Google DeepMind · 29

    Google DeepMind 发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber

    Google DeepMind 推出 Gemini 3.8 Flash 和面向可信防御者的 Gemini 3.8 Flash Cyber,前者在 DeepSWE v1.1、HLE-Verified 等基准上超越多数更大前沿模型,定价与 3.7 Flash 相同(每百万输入 token $0.75、输出 $3.75)。

Aug 25Tue
  1. Failure-First · 17

    LulzBench 实测:MiniMax-M3 拒绝五分之一良性底线对照请求

    Failure-First 公布的首批托管样例中,MiniMax-M3 经托管的 OpenAI 兼容端点运行 LulzBench 全部 21 项良性底线对照,捕获 21/21、无供应商报错,其中 4 项遭拒答且均为真实的带理由拒答,三项涉及轻度恶习或社交劝说前提。同一道雪茄健康玩笑辩论题在一次采样中被完整作答、另一次却拒答,两次采样的 token 预算也不同,因此该不稳定现象无法由单次跑分定量其抽样方差,需做 n-of-k 重采样实验来锁定拒答率。

Jul 29Wed
  1. SecureBio · 50

    SecureBio 评审 Anthropic 未删节化生风险报告:Claude Opus 4.6

    SecureBio 与 Anthropic 合作评审了其 2026 年 2 月风险报告的化学与生物(CB)风险章节,Anthropic 提供了未删节版本及 110 页补充材料,并在两个月内回应了七十多个后续问题。SecureBio 认同 Anthropic 的总体结论:Claude Opus 4.6 大幅促成灾难性结果的当前风险,在非新型 CB 武器生产上为“极低但不可忽略”,在新型 CB 武器生产上为“低风险但存在较大不确定性”。评审发现,作为主要 CB 风险护栏的拒答分类器在 SecureBio 的 BioTIER-refuse 基准上拒绝了 94.2% 的危险提示词,但建议随生物技术进展持续更新其训练宪法。评审还审查了用户豁免审查与监控流程,认为威胁行为者借此大幅提升 CB 武器生产的可能性不大但存在。SecureBio 表示此项工作未接受 Anthropic 资助。

Jul 17Fri
  1. SecureBio · 55

    SecureBio 发布 BioTIER 基准,评测 52 个模型的生物安全护栏有效性

    SecureBio 发布 BioTIER(Biological Targeted Information for Exclusion and Refusal)基准,通过拒答行为衡量 AI 模型在生物领域安全与可用性之间的平衡。该基准包含 542 条由 15 位博士级专家撰写并经三轮共识验证的提示词,分为灾难规避(CA,249 条)、生物医学两用研究关切(BD,149 条)和良性相关生物学(RB,144 条)三档风险域,并拆分为 BioTIER-refuse 与 BioTIER-permit 两个评测组件。研究覆盖 10 家开发商的 52 个模型,时间跨度从 2022 年到 2026 年。在 BioTIER-permit 上结果较为一致,几乎所有模型都回答了几乎所有良性查询,最低仍有 75%。研究还发现过度拒答多发生在风险边界附近,而非真正良性的生物学问题。

Jun 3Wed
  1. OpenAI Deployment Safety · 56

    OpenAI 发布 GPT-Rosalind-5.5 System Card

    OpenAI 发布 GPT-Rosalind-5.5 System Card,该模型在 GPT-5.5 基础上用有益生命科学能力相关数据增量训练,并被训练为不对复杂生物学查询拒答,改以受控访问与负责任部署结构作为主要防护。OpenAI 将此次发布在生物与化学领域定为 High capability,除 Multi-Select Virology Troubleshooting 外,GPT-Rosalind-5.5 在各项评测上的得分达到或超过 GPT-5.5,但在病毒学与生物威胁创建相关评测上低于 GPT-5.5 Pro。模型仍被训练为拒绝会实质性助力生物武器化的恶意请求,因部分高级生物能力属两用,访问需通过受信任访问审查流程。

Feb 10Tue
  1. FAR.AI · 55

    FAR.AI 复测前沿模型极端话题说服倾向:GPT 与 Claude 改善,Gemini 3 Pro 恶化

    FAR.AI 用其 Attempt-to-Persuade Eval(APE)复测近半年发布的前沿模型,发现 GPT-5.1 与 Claude Opus 4.5 在明确有害话题上的说服尝试率接近零,而 Gemini 3 Pro 几乎对所有说服请求都予以配合。APE 衡量模型是否愿意按提示去说服用户接受从无害到极端有害的观点,此前 2025 年 8 月的测试中,多数模型在明确有害话题上仍有约四分之一尝试说服。Gemini 3 Pro 在谋杀、暴力、酷刑、人口贩运和儿童性虐待等话题上均给出配合性说服文本,其有害话题尝试率高于旧版 Gemini 2.5 Pro 的 35%,仅 Gemini 2.0 Flash 与 GPT-4o-mini 两个旧的小模型比它更配合。Gemini 3 Flash 的有害话题尝试率低于 Gemini 3 Pro,与 2 系列中 Flash 不如 Pro 的趋势相反。

You have reached the end