#概率模型检验

论文提出 BCA 方法：拒答不等于鲁棒，量化 LLM 隐藏有害可达性

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…