全部论文

RefusalBench：拒答率为何会误排前沿 LLM 在生物研究提示上的安全水平

提出 RefusalBench，评测生物研究提示上的拒答率与安全校准

arXiv

2605.21545

发表

5月20日

层

模型层

场景

模型与 API

测试

Claude Opus 4.7、Claude Opus 4.6、Claude Opus 4.5 等 15 个

• 风险拒答失当

PatchBench 提出激活补丁局部评测协议，揭示越狱修复的附带损伤

提出 PatchBench-Local 协议，评测激活补丁修复越狱的局部附带损伤

arXiv

2610.10276

发表

10月7日

层

模型层

场景

模型与 API

测试

Qwen2.5-3B-Instruct、Qwen2.5-14B-Instruct、gemma-3-4b-it 等 8 个

• 防御推理时干预
• 攻击越狱

ControlPed 生成逼真行人危险动作场景，七款端到端驾驶模型 HDScore 从 88.8 降至 47.4

提出 ControlPed，生成可控行人危险场景评测端到端驾驶模型

arXiv

2610.06171

发表

10月5日

层

模型层

场景

具身与机器人

测试

DiffusionDrive、SSR、VAD 等 7 个

• 风险Agent 危险操作
• 组件视频

HeadEdit：通过冻结的 unembedding 矩阵校准语言模型行为

提出 HeadEdit，经冻结 unembedding 做随输入变化的 logit 校正

arXiv

2610.01170

发表

10月1日

层

模型层

场景

模型与 API

测试

Qwen3-4B、Gemma-3-4B-IT、Llama-3.2-3B-Instruct 等 4 个

• 防御推理时干预
• 风险拒答失当
• +1+1

MemoReason 基准

提出 MemoReason 基准，测量参数记忆对上下文推理的影响

arXiv

2609.35312

发表

9月28日

层

模型层

场景

模型与 API

测试

GPT-OSS-20B、GPT-OSS-120B、OLMo-3-7B-Think 等 9 个

剪枝提效却牺牲公平：剪枝语音 LLM 中的群体差异

测量剪枝对语音 LLM 群体转写公平性的影响

arXiv

2609.38106

发表

9月30日

层

模型层

场景

模型与 API

测试

Whisper Small (12 layers)、Whisper Medium (24 layers)、Whisper Large-v2 (32 layers) 等 4 个

• 风险偏见与歧视
• 组件音频

研究者发布面向 EU AI Act 行为准则的系统性风险指数与仪表盘

构建 Systemic Risk Index 流水线，把公开基准映到四类系统风险并评测

arXiv

2609.28335

发表

9月24日

层

模型层

场景

AI Agent

测试

Claude Sonnet 5、Claude Haiku 4.5、GPT-5.6 Luna Pro 等 15 个

• 风险危险能力
• +1+1

SAGO：从稳定性而非准确率出发的多维度大模型泛化评测

提出 SAGO，以语义等价变体上的逐例行为稳定性评测大模型泛化

arXiv

2610.01428

发表

10月1日

层

模型层

场景

模型与 API

测试

Llama-3.2-3B-Instruct、Llama-3.1-8B-Instruct、Gemma-2B-IT 等 11 个

KaliBench：面向 Kali Linux 网络安全工具使用的细粒度基准

提出 KaliBench，评测模型把安全意图译成 Kali 命令的能力

arXiv

2610.02206

发表

10月1日

层

模型层

场景

模型与 API

测试

Llama3.1-Instruct 8B、Qwen3 8B、Qwen3 8B thinking 等 15 个

• 风险危险能力

多语言 LLM 在语义保持结构扰动下的结构敏感性：IndicReStruct 基准与机制可解释性分析

构建 IndicReStruct，评测保语义结构扰动下的多语言数学推理

arXiv

2609.03511

发表

9月3日

层

模型层

场景

模型与 API

测试

Gemma-2-9B-it、Gemma-2-27B-it、GPT-OSS-20B 等 7 个