UDHRBench：评测大模型对世界人权宣言的合规性
原文标题：UDHRBench: Benchmarking Human Rights in Large 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。
研究者发布 UDHRBench，包含覆盖《世界人权宣言》全部 30 条条款的 1124 个人权问题，以及 ChatGPT、Grok、Gemini、Fanar 四个模型的 4496 条专家标注回答。分析发现模型违规多源于「效率、风险管理、科学中立」等看似理性的推理，而非直接否定权利，并提出 LLM-as-a-Judge 自动评测框架，加权 F1 达 89.8%。
- 问题
- 大模型对《世界人权宣言》的合规性缺乏系统评测。
- 方法
- 构建覆盖 30 条条款的 1124 个问题与专家标注回答，并提出 LLM-as-a-Judge 自动评测。
- 结果
- 收集 4496 条回答，专家一致性 κ=0.801；裁判加权 F1 达 89.8%。
- 影响
- 指出违规常来自「效率、风险管理、科学中立」式理性推理，给合规对齐提供可量化检测手段。
深读 · 结论先行AI 生成展开看要点与影响 ↓
UDHRBench 用 1124 题、4496 条专家标注回答评测人权合规，违规多来自「效率、风险管理」式推理。
- •数据集覆盖《世界人权宣言》全部 30 条条款，共 1124 个人权问题。
- •含 ChatGPT、Grok、Gemini、Fanar 四个模型的 4496 条回答，专家标注者间一致性 κ=0.801。
- •违规通常不表现为直接否定权利，而是诉诸效率、风险管理或科学中立等看似理性的推理。
- •提出 LLM-as-a-Judge 自动评测框架，检测人权错位的加权 F1 达 89.8%。
- •另提出 Alignment Leniency Score，量化评审模型如何处理模糊案例。
为什么重要：把「合规」从抽象对齐口号变成可量化基准，且指出违规的伪装形态是理性化论证，这对做模型安全评测与合规审计的团队有直接参考价值。
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。