SSP-Bench: A Hybrid Data Generation Framework for Safety, Security, and Privacy Evaluation
该论文针对大语言模型（LLM）在安全（safety）、安保（security）与隐私（privacy，合称 SSP）评估中长期依赖静态基准的问题提出改进方案。作者指出，静态基准存在三类结构性缺陷：分数饱和（模型表现趋同、区分度丧失）、数据污
#over-refusal
共收录 2 条相关情报。
← 返回所有主题AUDITPLAN: Commit, Then Answer for Auditable Safety Alignment
该论文针对当前大模型安全对齐流水线的一个结构性缺陷：训练与评估只评判模型的最终答案，因此无法区分「真正稳健的拒答」与两类不良捷径——(1) 对良性请求的一律拒答（过度拒答），(2) 理由写得漂亮、看似安全但并未真正约束答案的「不忠实安全解释