评测与基准arXiv 2601.00588
CSSBench：评估轻量级 LLM 面对中文特有对抗模式的安全性
提出 CSSBench 评测轻量模型对中文表面对抗改写的失守与过度拒绝
- arXiv
- 2601.00588
- 发表
- 层
- 提示层
- 场景
- 模型与 API
- 被测模型
- Qwen3-0.6B、Qwen3-1.7B、Qwen3-8B 等10个
摘要CSSBench 用表面扰动和边界查询评轻量模型。
CSSBench 评测轻量 LLM 在中文特有表面改写下的安全，并同时测量过度拒绝。要处理的缺口是：英文向护栏和只测干净查询的中文基准，看不清同音、拼音、符号混写、零宽字符这些写法下的失守，也分不清较低风险来自细粒度判断还是粗粒度拒答。作者称轻量模型更需要这种评测。