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 · 研究

Auditing FORTRESS: A Multi-Judge Panel Doesn’t Guarantee Robustness

NUWA 研究解读 · 独立复核待完成

首次发表: 来源核验: 2026-10-27
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联系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:多判官不保证独立或有效测量。

研究问题

多个模型判官仍会系统性误判防护回答吗?

研究设计与假设

Generality审计FORTRESS的Inspect数据、求解器、计分和投票,区分量表满足与真实回答内容。

来源发现

重判使ARS最高降35%、ORS最高降88%。

判官有时对攻击请求而非空回答判分,投票规则又放大错误。

NUWA 解读

NUWA 解读:多判官不保证独立或有效测量。

局限与相反证据

审计针对特定实现及重判政策,降分不是模型防护本身发生变化。

研究联系

本文审计FORTRESS计分实现,是方法跟进,不是独立基准总体。

研究与决策意义

模型建议:使用多判官综合分前测试空回答、弃权及投票逻辑。

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 (1)

Laurence Wroe

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-audit,
  title = {Auditing FORTRESS: A Multi-Judge Panel Doesn’t Guarantee Robustness},
  url = {https://generality.org/blog/posts/fortress-fragile-judges/},
  author = {Laurence Wroe},
  version = {Source capture 2026-10-25},
  note = {Source capture 2026-10-25}
}
NUWA 记录 · BibTeX
@misc{fortress-audit-nuwa,
  title = {Auditing FORTRESS: A Multi-Judge Panel Doesn’t Guarantee Robustness — NUWA research record},
  url = {https://whitzard.tech/nuwa/whitzard-index/work/fortress-audit/},
  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-audit.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-audit.json.}
}

证据快照 2026-10-29.1 · 索引更新 · RSS

参考文献

  1. [1] Laurence Wroe. Auditing FORTRESS: A Multi-Judge Panel Doesn’t Guarantee Robustness ; Article byline, 18 September 2026; What is FORTRESS?; audit methodology; Research background and discussion in the original publication; Eval architecture overview