Whose Refusal Is It? The Unmeasured Contribution of Black-Box Multimodal Guardrails

该论文揭示了一个被忽视的评估方法论缺陷：黑盒多模态护栏（guardrail）的安全指标往往被错误地归因于护栏本身，而实际上目标模型自身的对齐机制也参与了拒绝行为。研究者指出，防御管线中两个组件都能产生拒绝（护栏和模型自身对齐），但当前评估将

历史摘要 · 未重新核验 · arXiv cs.CR