arXiv：开放权重 LLM 非规范输入四态安全评估
原文标题：Quad-State Safety Evaluation of Open-Weight Large Language Models on Non-Canonical Inputs
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。
研究提出对抗性表面形式鲁棒性数据集 ASRD，含 7 类表面形式共 2,100 条提示，评估 5 个开放权重模型共 10,500 条回复。四态评估规则将回复分为有害顺从、安全回复、理解失败与不确定；表情符号与不可见 Unicode 几乎不导致理解失败，而 leetspeak 与编码包装使理解失败率升至 36.47% 和 65.60%。
- 问题
- 标准安全评估只测规范文本，忽略表情、变体拼写、编码等真实输入。
- 方法
- 构建 ASRD 数据集含 7 类表面形式 2,100 条提示，用四态评估规则测 5 个开放权重模型。
- 结果
- leetspeak 与编码包装使理解失败率升至 36.47% 和 65.60%；表情与不可见 Unicode 几乎不导致理解失败。
- 影响
- 安全测试需覆盖非规范输入，否则上线后编码绕过会带来合规风险。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ASRD评估5个开放权重模型10500条回复，编码包装使理解失败率高达65.60%。
- •数据集含7类表面形式共2100条提示，5个模型共10500条回复
- •四态规则：有害顺从、安全回复、理解失败、不确定
- •表情符号与不可见Unicode几乎不导致理解失败，有害顺从率20.27%和17.20%，基线22.87%主要由Mistral 7B贡献
- •leetspeak、编码包装、混合变换的理解失败率分别为36.47%、65.60%、34.47%
- •原始输出暴露三类行为：幻觉式无害、结构崩溃、语言漂移
为什么重要：标准安全评测只看规范纯文本，而真实输入常带变形；该工作显示编码类变形会让模型「看不懂」而非「拒答」，安全评估口径需要补上这一维度。
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。