本文针对 OWASP Top 10 for LLM Applications（2026 候选清单）的社区专家排名与实际大规模 LLM 安全事件数据之间的一致性进行了实证检验。作者从 CVE、GHSA、OSV 和 AIAAIC 等来源收集了 7,714 个快照事件，其中 6,639 个事件被标注到包含 20 个类别的分类法上，构建了大规模事件语料库，并利用贝叶斯测量误差模型校正了分类器的精确率和召回率，从而得出基于事件的排名。该候选清单以固定权重（专家投票 0.75、数据 0.25）融合两种信号，使得事件数据能够修正专家共识而不完全推翻它。研究发现，专家排名与数据驱动排名的一致性较弱，Cohen's κ 约为 0.20，且 90% 置信区间跨越零。尽管如此，专家排名依然稳健：对四种前沿分类器进行的预注册对比测试未产生胜出者，且没有任何分类器的表现超过事件发生率基线（平衡准确率 0.863）；针对保留的真实标签进行的地面实况检查也保持了基线排序（Spearman ρ=0.918）。该研究是工作组两位成员进行的探索性分析，并非 OWASP 官方发布，也不取代官方列表或流程。