研究者发布ASRD数据集评估模型安全

研究者 Pavan Maddula 发布 Adversarial Surface-Form Robustness Dataset（ASRD）数据集与 Quad-State Evaluation Rubric 四态评估方法，用于考察开放权重语言模型在非规范输入下的安全表现。该数据集含 2100 条提示词、覆盖七类表面形式，对五个开放权重模型生成 10500 条回复并逐条分类。 该工作已被 NeurIPS 2026 的 EvoRobust 研讨会接收。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。