TASTE 安全研究基准被审出捷径:避开机制解释术语反而更准

aryaman2020 · x · 2026-11-17

对 TASTE 基准的审计发现一个捷径:该基准包含 92 对 AI 安全研究提案,让专家选择更好的一个。但审计发现带机制可解释性(mech-interp)主题的提案(如探针类)往往质量更差——仅按「解释类术语更少」来选提案,准确率就超过了所有被测 LLM。这提示基准分数可能被表面词汇特征污染。

原文链接 →

「研究」频道最新

更多「研究」频道 AI 资讯 →