NUWA TamperBench: Systematically Stress-Testing LLM Safety Under Fine-Tuning and Tampering
研究问题开放权重防护对保留效用的修改有多稳健？
来源摘要主要比较在MMLU-Pro相对退化不超过10%时选择最坏StrongREJECT结果。
NUWA 研究解读 · 独立复核待完成
研究机构
麻省理工学院
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
Virology Capabilities Test (VCT): A Multimodal Virology Q&A Benchmark
研究问题模型回答专家编写的病毒学问题表现如何？
来源摘要o3为43.8%，可联网专家均值22.1%。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 解读 / 局限
Me, Myself, and AI: The Situational Awareness Dataset (SAD) for LLMs
研究问题模型在行为上能展示哪些关于自身及处境的知识？
来源摘要16个受测模型均高于随机水平，但领先模型在部分任务仍低于人类。
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