多轮对话安全评测:线索分散后 4 模型合规率跌至 3–6%

kalyan_kpl · x · 2026-11-22

一项评测研究检验 AI 助手能否在多轮对话中识别「逐步显露」的 safeguarding 风险信号。

结论:模型对跨轮次渐进披露的风险识别能力远弱于显性单轮,现有安全评测高估了真实保障水平。

原文链接 →

「安全」频道最新

更多「安全」频道 AI 资讯 →