用大语言模型红队测试在线影响力：30 多个模型的 Overton 窗口实证评估

研究者提出一个实证红队框架，用于测量开源 LLM 的 Overton 窗口（OW），即模型对抽样政治观点表达保真度的评分，并量化简单自然语言越狱对这些分数的影响。该研究评估了来自 10 个模型家族、5 个国家的 30 多个 LLM，发现模型通常以更高保真度表达左倾内容，平均 OW 分数随模型规模增大而下降，越狱效果在不同模型家族间差异显著。