提出MTAG-Bench数据集与MTAG-Probe归因模型

2026年10月15日，arXiv Artificial Intelligence 刊出 Srinivasan Subramanian 等作者的研究，提出多轮护栏归因数据集 MTAG-Bench 与分层归因模型 MTAG-Probe。据该报道，MTAG-Bench 为多轮护栏归因数据集，带有行为验证与反事实监督，包含 4,167 段对话；MTAG-Probe 为分层归因模型，用于定位推动对话走向不安全的轮次级与片段级证据。报道将该工作定位为“超越不安全检测”，即从判定不安全转向对多轮 LLM 安全失效进行反事实锚定证据归因。目前进展仅限该篇报道所述的数据集与模型提出，尚无其他跟进报道。以上数字与描述均来自该来源，其准确性未获独立证实。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。