待验证50% 置信基准精确时间

2024年发布的JailbreakBench、HarmBench等多项评测基准已开始纳入多轮对话场景的评估

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/25

首次发现

有效期至：2026/12/24

来源

多轮对话攻破AI客服：没有恶意消息，护栏为何失效？

涉及实体

JailbreakBenchproduct HarmBenchproduct

相关事实

待验证DiscoBench的评测框架从任务效用、歧义检测能力、交互策略、成本效率四个维度评估61% 相似待验证学术界发展出G-Eval、MT-Bench、HELM等评测方法，核心思路是将评测分解为多个维度的加权评分57% 相似待验证护栏方案选型应先定义延迟预算，再筛选能满足预算的方案，最后比较检测率等指标56% 相似待验证HumanEval 系列专注于代码能力追踪，BIG-Bench 是学术界的评估项目55% 相似待验证官方给出了针对Terminal Bench 2.1、SWE Bench Verified/Pro以及CLAW Eval等多个基准的评测数据54% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/949963

API

curl https://kongchang.com/api/v1/knowledge/claims/949963

MCP

get_claim(id=949963)