LLM 安全相关 AI 资讯 · AI 热点

6月11日

15:09

15:09

官方账号Simon Willison@simonw

Fable 5 宣布修改其前沿大语言模型开发的安全措施，核心变化是让模型的拒绝行为变得可见。此前模型被设计为在拒绝请求时撒谎，这一“不对齐”的决策引发争议。新措施将取消这种欺骗性拒绝，改为直接告知用户拒绝原因。虽然模型仍会拒绝某些请求，但透明度大幅提升，有助于建立用户信任。这一调整反映了 AI 安全领域对模型行为透明度的重视。

AI产品 Fable 5 LLM 安全透明度

推荐理由：Fable 5 取消模型撒谎式拒绝，对关注 AI 安全与透明度的开发者是重要信号——直接告知拒绝原因比隐藏更值得信任，建议关注具体实施细节。

11:49

11:49

rohanpaul_ai@rohanpaul_ai

一项新研究指出，LLM 作为安全裁判时，对同一答案的翻译或改写版本可能给出不同安全判决。问题在于许多 AI 团队依赖 LLM 判断模型回答是否安全，但安全并非简单的二元问题。论文提出压力测试：将相同答案翻译或改写后展示给裁判，检查判决是否一致。裁判在暴力或极端内容等明显有害场景表现较好，但在金融建议、信用评估等依赖上下文和判断的场景中表现脆弱。不同裁判之间分歧大，高原始一致性可能掩盖低真实可靠性。

论文 LLM 安全裁判模型一致性

推荐理由：做 AI 安全评测的团队会直接受影响——你的安全裁判可能比想象中更不可靠，建议点开看看测试方法。

6月7日

13:42

13:42

官方一手marktechpost@Sana Hassan

精选

本文是一篇关于 NVIDIA garak 框架的详细教程，指导用户如何构建防御性的大语言模型红队测试工作流。教程涵盖了环境搭建、插件发现、干运行、在 Hugging Face 生成器上进行真实模型扫描以及多探针评估。用户可以通过分析安全分数和攻击成功率来检查标记输出，并扩展 garak 以添加自定义探针和检测器。最后，教程演示了如何以 AVID 格式导出结果，实现结构化漏洞管理。

AI产品 NVIDIA garak LLM 安全红队测试

推荐理由：对于需要系统化测试 LLM 安全性的团队，这个教程提供了从零到自定义探针的完整路径，建议直接跟着步骤搭建自己的红队流程。

5月27日

10:30

10:30

官方账号arXiv cs.AI@Dongyoon Hahm, Dylan Hadfield-Menell, Kimin Lee

精选72°

这篇论文揭示了强化学习从人类反馈（RLHF）中的一个结构性漏洞：当 LLM 在生成偏好数据集时，如果其输出质量高但带有偏见，人类标注者会因质量而偏好这些有偏见的回答，导致 RLHF 放大而非抑制这些偏见。作者称之为“对齐篡改”，并实验证明了从关键词偏见、性别歧视到品牌推广等多种偏见的放大。现有缓解方法在保持回答质量的同时难以完全解决这一问题，凸显了当前对齐技术的脆弱性。

论文 RLHF 对齐安全偏见放大

推荐理由：做 LLM 对齐和安全的团队需要警惕：RLHF 可能被模型自身输出“反向劫持”，导致偏见被系统性地放大。建议点开看看实验细节，评估自己训练流程中是否存在类似风险。