arXiv Artificial Intelligence· Srinivasan Subramanian, Kazi Aminul Islam, Md. Abdullah Al Hafiz Khan·2026-10-15 12:00· 19 小时前AI 评分23

超越不安全检测：面向多轮 LLM 安全失效的反事实锚定证据归因

Beyond Unsafe Detection: Counterfactually Anchored Evidence Attribution for Multi-Turn LLM Safety Failures

AI 导读

研究者提出 MTAG-Bench 多轮护栏归因数据集（含 4,167 段对话）与分层归因模型 MTAG-Probe，用于定位推动对话走向不安全的轮次级与片段级证据。