跳到正文
10月12日 · 周一

全部论文

找到 10篇
筛选3

模型自身风险

失准与价值偏离1Agent 危险操作4拒答失当10偏见与歧视4

影响

有害内容61越权操作10输出被操纵22可用性与可靠性10监督失效4

系统形态

模型与 API7AI Agent3

层

模型层6应用层3
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 254篇还没打标签，不在筛选结果里。
模型自身风险：失准与价值偏离模型自身风险：拒答失当影响：可用性与可靠性清除全部

另有254篇论文还没打上分类标签，暂不在筛选结果里。

  3. 防御arXiv 2610.01170

    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
    层
    模型层
    场景
    模型与 API
    被测模型
    Qwen3-4B、Gemma-3-4B-IT、Llama-3.2-3B-Instruct 等4个
    摘要低秩 unembedding 校正抬高九个设置的总体准确率，并可部分预测 DPO 更新。

    HeadEdit 是一种不更新参数的行为校准方法，作用点是冻结的 unembedding，而不是中间层残差或新的梯度优化。

    深度解读完整解读
  4. 评测与基准arXiv 2609.33658

    AgentBound：面向工具型 LLM Agent 安全的四路反事实评测框架

    提出 AGENT BOUNDARY，用四向反事实任务评测工具智能体行动边界

    arXiv
    2609.33658
    发表
    层
    应用层
    场景
    AI Agent
    被测模型
    GPT-5.5、Claude Opus 4.8、Gemini 3.5 Flash 等15个
    摘要四向反事实基准把过度拒绝和未授权遵从拆开，Thought 校正在十个配置上提高已授权完成。

    AGENT BOUNDARY 是面向工具使用 LLM 智能体的四向可执行反事实评测，并附带一个决策时 Thought 校准模块。

    深度解读完整解读
  5. 防御arXiv 2609.04714

    无需拒答的拒答：减少语言模型误拒的安全微调响应结构分析

    提出 Rationale-Only 安全微调，去掉拒答声明以降低误拒

    arXiv
    2609.04714
    发表
    层
    训练与数据层
    场景
    模型与 API
    被测模型
    Llama-3.1-8B、Mistral-7B-v0.3、Gemma-2-9B 等8个
    摘要去掉套话拒答声明、只训理由，可降低假拒答，有害查询上的服从率仍低。

    这是一项针对安全微调数据的结构分析：假拒答被作者追溯到回答里的套话式拒答声明，而不是只靠推理时补救。

    深度解读完整解读
  6. 评测与基准arXiv 2607.05462

    BioSecBench-Refusal：面向智能体生物安全风险评估的配对基准

    提出 BioSecBench-Refusal，评测智能体生物研发拒答与隐蔽危害识别

    arXiv
    2607.05462
    发表
    层
    应用层
    场景
    science agent
    被测模型
    Opus 4.8、Opus 4.7、Opus 4.6 等10个
    摘要配对基准显示拒绝多由 API 触发，合法任务常被拒得不少于隐蔽危害。

    BioSecBench-Refusal 把生物研发智能体的谨慎程度和识别隐蔽危害的能力放在同一套任务上测量。

    深度解读完整解读
  8. 评测与基准arXiv 2605.19722

    研究用 30 项漏洞分析任务评测自主安全智能体的安全对齐效果

    评测自主安全智能体在授权漏洞分析中的对齐拒答效应

    arXiv
    2605.19722
    发表
    层
    应用层
    场景
    coding agent
    被测模型
    Gemma 4 31B official instruction-tuned model、TrevorJS Gemma 4 31B uncensored GGUF、Gemma 4 26B A4B official instruction-tuned model 等8个
    摘要轨迹级评测把拒答、接地、工具接口分开。

    这项工作把安全对齐效应测成自主安全智能体的轨迹属性，而不是单轮拒答率。

    深度解读完整解读
  10. 分析与理论arXiv 2601.08668

    分析大语言模型在仇恨言论去毒中误拒行为的偏差

    分析 LLM 仇恨言论解毒误拒的群体偏差并测试跨语翻译缓解

    arXiv
    2601.08668
    发表
    层
    模型层
    场景
    模型与 API
    被测模型
    GPT-4o mini、GPT-3.5 turbo、Llama-3.1 8B 等9个
    摘要九个 LLM 在解毒任务上普遍误拒，国籍宗教政治类偏高。

    作者考察对齐后的 LLM 是否会拒绝可接受的仇恨言论解毒请求，并分析误拒是否随目标群体和语言变化。完全拒答与夹带说教的部分拒答都计入。设置是固定提示、九个 LLM、三个英文集和法德西中韩。

    深度解读完整解读
已经到底了