共 1 篇相关文章
一项系统性研究揭示LLM安全护栏的「极性盲区」：否定和反义词替换可绕过有害意图识别。研究覆盖10个模型、3种语言、260条提示，最脆弱模型平均危害评分达4.12（0-5量表），且跨语言普遍存在，提示语义鲁棒性是安全对齐的底层短板。
