评测与基准arXiv 2610.06503
研究评测五款开源文生图模型的有害内容生成与审核缺口
评测文生图模型的有害内容生成能力与审核检测缺口
- arXiv
- 2610.06503
- 发表
- 层
- 模型层
- 场景
- 模型与 API
- 被测模型
- SDXL、Stable Diffusion 3.5 Large、FLUX.1-dev 等12个
- 评测与基准arXiv 2609.35028
VEX-Bench：评测 LLM 生成虚假信息的核验复杂度
提出 VEX-Bench 评测 LLM 生成虚假信息的核查复杂度
- arXiv
- 2609.35028
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- Claude Sonnet 4.5、Gemini 3.1 Pro、GPT-5.4 等7个
- 攻击恶意使用
摘要VEX-Bench 用筛查时的五维复杂度衡量虚假信息对核查容量的占用，并报告生成与核查的成本差。
VEX-Bench 把 LLM 虚假信息的风险从“能否生成”改成“筛查时会占用多少核查容量”。
- 评测与基准arXiv 2608.29030
研究者提出自蒸馏方法让 LLM 遵循上下文水印指令
提出 SDLP 与 GRPO，训练模型遵循上下文水印指令
- arXiv
- 2608.29030
- 发表
- 场景
- 模型与 API
- 被测模型
- GPT-5.4、GPT-5.4-mini、GPT-5.4-nano 等14个
- 评测与基准arXiv 2602.21831
评估 AI 在欺诈与网络犯罪场景中滥用情况的多轮框架
提出 LFT 多轮框架，评测模型对欺诈与网络犯罪的可执行协助
- arXiv
- 2602.21831
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- Claude Sonnet 3.5、Claude Sonnet 3.7、Claude Sonnet 4 等14个
- 攻击恶意使用
摘要作者称低努力文本诱导下，多轮 LFT 中模型对三类犯罪的信息协助有限。
作者给出一套由执法与政策专家校验的多轮评测，用来估计文本模型经由信息提供，对欺诈和网络犯罪有多少可执行协助。
- 评测与基准arXiv 2601.12983
ChartAttack：测试大语言模型在图表生成中对恶意提示的脆弱性
提出 ChartAttack，用恶意提示驱动代码模型生成误导图表
- arXiv
- 2601.12983
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- Claude-4.6-Sonnet、GPT-4o、Gemini-2.5-Flash 等20个
摘要ChartAttack 生成不改数据的误导图，降低 MLLM 与人类的图表问答准确率。
ChartAttack 研究恶意提示能否让 MLLM 在不改数据的情况下生成误导图表，并量化这些图对其他 MLLM 和人类图表问答的影响。
已经到底了