The Oversight Gap: What LLM Safety Monitors Miss, and Why It Is Not Capability

这篇论文研究了LLM安全监控器在认证特定安全属性时存在的根本性局限。作者指出，一些被要求认证的属性（如跨租户非干扰、沙袋行为、评估意识）属于2-安全超属性，即只能通过两次执行来见证，因此单一执行轨迹在逻辑上无法判定它们。然而，作者没有停留在

历史摘要 · 未重新核验 · arXiv cs.CR