风格包装可翻转LLM安全评审结论

2026年10月15日，Yongxi Zhou等作者在arXiv发布一项实证研究，考察风格包装对LLM安全评判器判决的影响。研究在JailbreakBench的600条回复（300条有害、300条拒绝）上，用9种风格包装和8个评审模型做配对测试，并测量各评审模型的重复分歧率作为噪声下限。作者称，他们在模型回复前或后放置一段固定文本（风格包装），回复本身逐字节不变，因此判决的任何变化都是评判器的错误。作者发布了数据、包装、代码和逐条判决标签；v2版本将评审面板扩大到8个，测量了所有LLM评判器的噪声下限，并增加了包含包装文本和评判器提示词的附录。

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。