研究提出有效性感知的 LLM 越狱评估方法
原文标题：Validity-Aware Jailbreak Evaluation for Large Language Models
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
该研究提出SEAV框架，通过分解响应步骤并验证事实正确性，解决现有越狱评估中依赖语言合理性而忽视正确性的问题。实验表明，SEAV在多个基准上将越狱成功样本重新分类为无效，显著重塑了鲁棒性评估结果。
- 问题
- 越狱评估只看语言合理性，把事实错误的回答误判为成功。
- 方法
- SEAV把回答拆成有序步骤，用LLM评判加检索验证事实与操作正确性。
- 结果
- SD-A假阳性率比最强基线降14.9个百分点，四个公开基准中三个有22.1%–51.0%旧成功样本被重判为无效。
- 影响
- 安全评测口径需从「像不像越狱」转向「是否真的有害可行」，直接影响红队指标可信度。
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。