NUWA ExploitBench: A Capability Ladder Benchmark for LLM Cybersecurity Agents
研究问题从触发已知缺陷到证实安全影响，智能体停在哪一步？
来源摘要公开模型很少跨越所述Tier3到Tier2边界，GPT-5.5仅在一个缺陷跨越。
NUWA 研究解读 · 独立复核待完成
研究机构
卡内基梅隆大学
角色与署名遵循所引原始资料。来源核验不等于独立复现实验。
更多筛选 →It's the Thought that Counts: Evaluating the Attempts of Frontier LLMs to Persuade on Harmful Topics
研究问题未观测说服成功时，模型是否仍尝试有害说服？
来源摘要论文报告许多开放及闭源模型频繁尝试有害说服。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 解读 / 局限
The WMDP Benchmark: Measuring and Reducing Malicious Use With Unlearning
Center for AI Safety
加州大学伯克利分校
麻省理工学院
SecureBio
Scale AI
纽约大学
海德拉巴国际信息技术学院
斯坦福大学
哈佛大学
南加州大学
伊利诺伊大学厄巴纳—香槟分校Lapis Labs
加州大学洛杉矶分校
加州理工学院Sybil
美国东北大学卡内基梅隆大学
RTX BBN Technologies
纽卡斯尔大学（澳大利亚）
庆应义塾大学
阿里埃勒大学
亚利桑那州立大学
xAI
研究问题公开代理基准能否追踪危险知识并支持缓解研究？
来源摘要论文同时评价知识削减与一般能力保留。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 局限
HarmBench: A Standardized Evaluation Framework for Automated Red Teaming and Robust Refusal
研究问题自动红队方法与防护能否采用统一的行为级判分比较？
来源摘要上下文类行为的攻击成功率较高。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 局限
Do the Rewards Justify the Means? Measuring Trade-Offs Between Rewards and Ethical Behavior in the MACHIAVELLI Benchmark
研究问题社交决策游戏中奖励优化如何与伦理行为权衡？
来源摘要奖励优化与伦理行为存在一定张力。
NUWA 研究解读 · 独立复核待完成