DiagSafe：用提示级评分细则诊断大模型安全性的新框架
原文标题：Beyond Binary Labels: Diagnostic Evaluation of LLM Safety with Prompt-Level Rubrics
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。
研究者提出 DiagSafe 诊断式安全评测框架，用提示级评分细则替代二元安全标签，从安全性与有用性两维度评估。基于 84 类安全分类构建中英双语基准，含 DiagBase 与 DiagAttack 两个子集。实验显示与人工标注一致率达 95.34%，远高于基线的 69%-87%。
- 问题
- 现有 LLM 安全基准只有二元标签，缺乏解释且评审一致性低。
- 方法
- DiagSafe 用提示级评分细则从安全性与有用性两维评估，基于 84 类安全分类构建中英双语基准。
- 结果
- 与人工标注一致率 95.34%，基线为 69%-87%；评审间 Cohen's κ 为 0.864。
- 影响
- 安全评测可从二元判定升级为可解释评分，提升 LLM-as-a-judge 可靠性，适合上线前审计。
深读 · 结论先行AI 生成展开看要点与影响 ↓
DiagSafe 用提示级评分细则替代二元标签，与人工标注一致率达 95.34%，基线仅 69%-87%。
- •评分细则分安全性与有用性两维，安全性含具体豁免条件以抑制误报
- •基于 84 类安全分类构建中英双语基准，含 DiagBase 与 DiagAttack 两个子集
- •DiagAttack 把有害意图嵌入复杂指令跟随任务，构成指令攻击
- •与人工标注一致率 95.34%，评审间一致性 Cohen's κ 为 0.864
为什么重要：二元安全标签缺乏解释力且评审一致性低，细则化评分让 LLM-as-a-judge 更可靠，也揭示各模型不安全率差异明显。
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。