提出授权一致性护栏评测基准

2026年10月14日，arXiv Artificial Intelligence 刊出 Huihao Jing 等作者的研究，提出并发布评测基准 bench，用于评估护栏（Guardrails）是否遵循授权。该基准以专家标注的自然语言场景、已执行验证的操作及外部原生策略请求为材料，对比同一操作在语言轨道上的授权证据，并检查每次决策的正确性、可用性与实际效果。实验显示，许多被拦截的操作源于审查失败而非正确拒绝；修复输出格式可恢复可用决策，但会改变被放行的授权请求；增加第二名审查者能消除部分错误，却会拒绝有效授权。

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。