Failure-First 公布三篇 AI 安全研究论文，正筹备提交 arXiv

Failure-First 公布三篇基于 201 个模型、133,210 条对抗评测结果的研究论文，正筹备提交 arXiv。第一篇提出 DETECTED_PROCEEDS 失效模式，在 24 个模型的 2,554 条推理轨迹中，34.2% 有可见推理的合规回答含先前安全检测，检测到危害后仍照做的比例为 43.9%，推理模型为 69.7%，非推理模型为 39.0%。第二篇在 Qwen2.5-0.5B-Instruct 上发现拒答在激活空间呈多面体几何结构，单方向消融在 0.8B 规模下严格 ASR 达 99.8%，到 9.0B 时降至 54.2%。第三篇称 AdvBench 存在基准污染，Qwen3-8b 拒答 84.7% 的 AdvBench 提示，却对私有新攻击族提示合规 98.3%。