白泽(Whitzard)女娲实验室 ↗
NUWANUWA INDEX

搜索 NUWA Index

研究 · 测量协议 · 评测结果 · 观点

English
← 研究目录

风险评测 · 评测基准

FORTRESS: Frontier Risk Evaluation for National Security and Public Safety

NUWA 研究解读 · 独立复核待完成

首次发表: 来源核验: 2026-10-25
NUWA Research Note研究问题研究设计与假设来源发现NUWA 解读局限与相反证据研究与决策意义机构与角色原始资源

模型辅助整理 · 选读原始全文或官方文章中的相关章节;尚未完成逐章节审计。

研究速读

NUWA 解读:限制与良性效用是两个维度,单一拒绝率会掩盖。

研究问题

防护如何在国家公共安全限制与良性访问间权衡?

研究设计与假设

500项专家对抗提示各配良性版本和4–7项二元量表,覆盖三个大领域。

FORTRESS — Figure 1
Figure 1 · 原文 Figure 1。请结合下方的协议范围与局限阅读。 原图与来源 ↗

来源发现

Claude 3.5 Sonnet所报ARS/ORS为14.09/21.80,Gemini 2.5 Pro为66.29/1.40。

这是量表风险与过拒分数,不是伤害概率。

NUWA 解读

NUWA 解读:限制与良性效用是两个维度,单一拒绝率会掩盖。

局限与相反证据

固定单轮提示、专业深度及小领域覆盖有限(§6),判官正确性还需单独审计。

研究与决策意义

模型建议:同时保留ARS/ORS,并区分原论文估计与后续判分审计。

精确来源位置

来源核查、数据提取、编辑批准与实验复现分别记录。 方法说明 →

机构与角色

作者 (7)

Christina Q. Knight · Kaustubh Deshpande · Ved Sirdeshmukh · Meher Mankikar · Scale Red Team · SEAL Research Team · Julian Michael

评测协议

FORTRESS →

关联研究

引用与复用

引用研究发现时请引用原始出版物;引用 NUWA 的整理与解释时,单独引用本站记录及对应快照。

原始出版物 · BibTeX
@misc{fortress,
  title = {FORTRESS: Frontier Risk Evaluation for National Security and Public Safety},
  url = {https://arxiv.org/abs/2506.14922},
  author = {Christina Q. Knight and Kaustubh Deshpande and Ved Sirdeshmukh and Meher Mankikar and Scale Red Team and SEAL Research Team and Julian Michael},
  year = {2025},
  date = {2025-06-17},
  version = {arXiv:2506.14922v2},
  note = {arXiv:2506.14922v2}
}
NUWA 记录 · BibTeX
@misc{fortress-nuwa,
  title = {FORTRESS: Frontier Risk Evaluation for National Security and Public Safety — NUWA research record},
  url = {https://whitzard.tech/nuwa/whitzard-index/work/fortress/},
  version = {2026-10-29.1},
  organization = {NUWA Frontier AI Safety Lab},
  howpublished = {Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--fortress.json},
  note = {NUWA research note. Source-reading scope and independent review status are stated on the record. Snapshot 2026-10-29.1. Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--fortress.json.}
}

证据快照 2026-10-29.1 · 索引更新 · RSS

参考文献

  1. [1] Christina Q. Knight ∗, Kaustubh Deshpande ⋄ 等. FORTRESS: Frontier Risk Evaluation for National Security and Public Safety. 2025-06-17. v2 [arXiv]; Author affiliations on the original paper title page; Abstract; §5.1 Main Results
  2. [2] Laurence Wroe. Auditing FORTRESS: A Multi-Judge Panel Doesn’t Guarantee Robustness ; Research background and discussion in the original publication