开源模型安全 · 论文

研究审计 9 个视觉语言模型：中文提示下国家立场改写率约为英文的三倍

审计视觉语言模型在敏感图像上从拒答转向国家立场重构的行为

arXiv

2608.11816

发表

8月12日

层

模型层

场景

模型与 API

测试

Qwen2-VL-7B、Qwen2.5-VL-7B、Qwen3-VL-8B 等 9 个

• 风险偏见与歧视
• 组件视觉
• +1+1

QH-Bench：面向中国青少年内容安全的细粒度中文基准

构建中文青少年内容安全基准 QH-Bench，评测单轮与多轮回复的安全与有用性

arXiv

2609.35902

发表

9月28日

层

模型层

场景

模型与 API

测试

InternLM2.5-20B、InternLM2.5-7B、InternLM2.5-1.8B 等 13 个

• 风险拒答失当

关键词式评测会误判小模型工具调用能力，论文提出廉价诊断阶梯

提出诊断阶梯，揭示关键词工具调用评测的假阳性

arXiv

2610.02142

发表

10月1日

层

模型层

场景

模型与 API

测试

VectraYX-600M、VectraYX-1B

Llama-3.1 医学微调模型在专业术语理解上为何不如通用版：一项机制可解释性对比分析

提出 JU 与 JI 基准，并用组件分解定位术语知识

arXiv

2609.13556

发表

9月12日

层

模型层

场景

模型与 API

测试

Llama-3.1-8B-Instruct、Llama-3.1-8B-UltraMedical