#心理测量学

AI安全基准真的在测量"有害拒绝"吗？一项心理测量学审计

一项心理测量学审计发现，HELM Safety基准的聚合分数可能掩盖数据集饱和与多维度混淆问题。多维项目反应理论表明HarmBench并非测量单一属性，差异项目功能分析揭示跨模型比较存在开发者偏差。安全基准分数需先证明其单属性解读的合理性，才能用于模型比较。