论文提出 BCA 方法：拒答不等于鲁棒，量化 LLM 隐藏有害可达性
原文标题：Refusal Is Not Robustness: Measuring Harmful Reachability in Autoregressive Language Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出越狱评估常用的攻击成功率（ASR）只看采样输出，无法反映生成过程中的隐藏风险。作者提出有界续写分析（BCA），将自回归生成建模为 token 前缀上的随机过程，用精确概率模型检验估计有害续写的可达概率。在四个指令微调 LLM 与 100 个 JailbreakBench 行为上验证，可区分 ASR 相同的模型并指导红队投入。
- 问题
- 越狱评估只看攻击成功率 ASR，无法反映采样安全回答下隐藏的有害生成概率。
- 方法
- 提出有界续写分析 BCA，把自回归生成建模为 token 前缀随机过程，用精确概率模型检验估计有害续写可达概率。
- 结果
- 在 4 个指令微调 LLM 与 100 个 JailbreakBench 行为上，可区分 ASR 相同的模型并定位隐藏风险区域。
- 影响
- 安全评测应从单次采样结果转向生成过程概率度量，红队资源可据此定向投放。
深读 · 结论先行AI 生成展开看要点与影响 ↓
论文提出 BCA，指出 ASR 相同的模型隐藏有害可达性可不同，拒答采样不代表生成过程安全。
- •BCA 把自回归生成建模为 token 前缀上的随机过程，构建有界续写树
- •用语义有害评估器标注终端续写，以精确概率模型检验估计有害可达概率
- •在四个指令微调 LLM 与 100 个 JailbreakBench 行为上验证
- •可区分 ASR 数值相同的模型，并指导红队投入方向
为什么重要：越狱评估长期以 ASR 为单一指标，可能低估模型风险；该方法为安全团队提供补充信号，影响模型发布前的红队资源分配。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。