越狱评测ASR对评估方法敏感的研究

2026年10月20日，arXiv Artificial Intelligence 刊出 Leon Tu Nguyen 等作者的实证研究，考察越狱攻击成功率（ASR）评测对评估方法的敏感性。研究针对三个开放权重语言模型，使用八种越狱攻击，并在三种评估流程下比较结果，发现不同评估流程下 ASR 差异显著。报道称，低资源语言攻击在关键词匹配评估下平均 ASR 达 96.0%，而按 StrongREJECT 评分指令、由 Qwen3 评估器判定时仅为 2.7%。目前该研究以预印本形式发布，报道未提及后续同行评审或复现进展。

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。