10月8日 · 周四

全部论文

找到 2 篇

筛选1

模型自身风险

欺骗与谋划17 奖励作弊7 失准与价值偏离16 Agent 危险操作7 危险能力5 拒答失当2

影响

系统形态

模型与 API1 AI Agent1 多智能体1

层

模型层1 应用层1

被测模型厂商

同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 1049 篇还没打标签，不在筛选结果里。

模型自身风险：拒答失当清除全部

另有 1049 篇论文还没打上分类标签，暂不在筛选结果里。

风险行为arXiv:2609.27900 · 8月26日
论文揭示多智能体委派结构放大 LLM 安全风险
测量多智能体委托结构下有害任务拒答的失效
多智能体测试Claude-Sonnet-4.6、GPT-5、Gemini-3.1-Pro 等 6 个应用层
- 拒答失当
摘要论文揭示多智能体层级委托会导致单模型安全对齐失效，多项前沿模型有害执行大幅增加且单层防御难以奏效。
完整解读
评测与基准arXiv:2609.35902 · 9月28日
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
模型与 API测试InternLM2.5-20B、InternLM2.5-7B、InternLM2.5-1.8B 等 13 个模型层
- 拒答失当
摘要QH-Bench 分单轮与多轮评测中文青少年内容安全，总均分高仍不消除线下接触和关系压力上的负分。
QH-BENCH 是面向中国社会文化情境的中文青少年内容安全基准，用单轮细粒度风险和多轮跨轮机制两条轨道，评测模型回复是否既守住安全边界又提供适合年龄的帮助。
完整解读

已经到底了