NUWA 证据记录
Claude 3.5 Sonnet · Template
AgentHarm · 证据记录
原始来源图表与材料
原文报告结果
原文顺序 · 原文配置
筛选系统
贪心采样危害分数
0–100%
Claude 3.5 Sonnet · TemplateClaude 3.5 Sonnet · Template · 68.7% · 表 2 的模板攻击条件：贪心采样、温度为 1 的平均分、Best-of-5 分开展示，不将不同采样设置混为等条件比较。 · 见原文协议；不推断独立试验数量。
68.7%显示 1 / 1 个系统
数值描述原文协议下的测量结果，不是综合安全评分。
表 2 的模板攻击条件：贪心采样、温度为 1 的平均分、Best-of-5 分开展示，不将不同采样设置混为等条件比较。 未单独注明评测日期；下表保留发表或记录日期。
评测条件与系统配置
- Claude 3.5 Sonnet · Template
- 见原文协议；不推断独立试验数量。 · Table 2 · AgentHarm
- modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
| 系统 / 配置 | 贪心采样危害分数 | T=1 平均危害分数 | Best-of-5 危害分数 | 发表 / 核验日期 |
|---|---|---|---|---|
| Claude 3.5 Sonnet · Template未注明 Harness | 68.7% | 65.1%±1.3 (source-reported; see source definition) | 79.7% | 来源核验2026-10-25 |
方法与范围
指定攻击下的有害任务完成和拒答表现。
- 证据类型
- 可复用基准
- 评测对象
- 响应有害任务请求的 AI 智能体
- 主观测维度
- Behavior · 观察行为
- 证据快照
- 2026-10-29.1
保留为一般安全参考；当前无法据来源建立与六个 NUWA 风险入口的直接关联。
来源结论
原文 Table 2 报告的 Claude 3.5 Sonnet · Template 测量结果；数值为转录，未独立复现实验。
适用限制
合成工具与任务完成情况不直接衡量现实损害。
保留原文的配置、任务和聚合方式差异，并按原文顺序展示。转录不等于独立复现，不支持跨协议排名。
相关研究问题
参考文献
数值结果由所引研究的作者报告。
- [1] Maksym Andriushchenko, Alexandra Souly 等. AgentHarm: A Benchmark for Measuring Harmfulness of LLM Agents. 2025-04-18. v3 [arXiv]; Author affiliations on the original paper title page; Table 2