概念polarity blindness
极性盲区
指大语言模型安全护栏在语法否定、反义词替换等极性反转语言变换下失效，无法识别变换后仍隐含的有害意图的结构性脆弱现象
时间轴 (近 90 天)
10月21日
一项系统性研究将LLM安全护栏在面对否定、反义词替换等语言变换时的结构性脆弱称为「极性盲区」（polarity blindness），即模型无法识别经过极性改变后仍然隐含的有害意图。
待验证50%
10月21日
极性盲区效应在不同否定系统的语言（英语、西班牙语、捷克语）间持续存在，研究者据此判断其反映的是语义鲁棒性的广泛局限，而非某一语言或语法特有的失败模式。
待验证50%
10月21日
与传统越狱攻击不同，极性盲区不需要精心构造的对抗后缀，仅靠常规语言变换（语法否定或反义词替换）即可触发安全判断机制失效。
待验证50%
10月21日
基于关键词黑名单或意图分类器的安全层可能天然失效于极性盲区，因为有害意图被否定词或反义词「合法地」遮蔽了。
待验证50%
全部知识事实 (4)
待验证
一项系统性研究将LLM安全护栏在面对否定、反义词替换等语言变换时的结构性脆弱称为「极性盲区」（polarity blindness），即模型无法识别经过极性改变后仍然隐含的有害意图。
50%待验证极性盲区效应在不同否定系统的语言（英语、西班牙语、捷克语）间持续存在，研究者据此判断其反映的是语义鲁棒性的广泛局限，而非某一语言或语法特有的失败模式。
50%待验证与传统越狱攻击不同，极性盲区不需要精心构造的对抗后缀，仅靠常规语言变换（语法否定或反义词替换）即可触发安全判断机制失效。
50%待验证基于关键词黑名单或意图分类器的安全层可能天然失效于极性盲区，因为有害意图被否定词或反义词「合法地」遮蔽了。
50%