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

风险治理 · 技术报告

An example safety case for safeguards against misuse

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

本文为假设性助手构建安全论证,并非给已部署系统认证;它把防护评测、风险模型与明确的运行承诺连接起来。

研究问题

如何用滥用防护评测支持“部署新增伤害低于特定阈值”的可辩护主张?

研究设计与假设

方案先定义伤害路径与阈值、构造有代表性的请求,再用红队估计投入与成功的关系。量化增益模型将这些曲线连接到滥用者、背景风险和非 AI 障碍的假设。持续评测与及时响应是论证组成部分,不能简化为一次评分。

来源发现

§2.7 把顶层主张分解为路径覆盖、保守评测、风险预测和开发者响应能力等条件。

分别评估防护及汇总需要依据,测试应保守代表部署,不能只是累积越狱示例(§2.4)。

讨论明确指出少量请求即可造成重大伤害等困难情形,不预设论证可以普遍迁移(§3)。

NUWA 解读

贡献在于显式写出从观测到决策的推理链,让隐含假设可见;示例量化模型并未验证输入,也未证明某个助手达到阈值。

局限与相反证据

威胁覆盖、请求代表性、行为者投入与意愿、响应延迟均有不确定性。红队能力和激励需在对应意义上保守代表滥用群体,低风险代理任务也必须论证其适用性。假设性的程序承诺不是开发者实际遵守的证据。

研究联系

来源建立在安全案例方法及 AISI 防护评测原则之上。AI Control 研究模型蓄意破坏,与外部行为者绕过防护不同,一种论证不能悄悄替代另一种。

研究与决策意义

模型建议:把每步推理和响应承诺写成可独立核查的主张,区分示例模型假设与实际评测事实。

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

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{misuse-safety-case,
  title = {An example safety case for safeguards against misuse},
  url = {https://www.aisi.gov.uk/research/an-example-safety-case-for-safeguards-against-misuse},
  year = {2025},
  date = {2025-06-05},
  version = {Source capture 2026-10-25},
  note = {Source capture 2026-10-25}
}
NUWA 记录 · BibTeX
@misc{misuse-safety-case-nuwa,
  title = {An example safety case for safeguards against misuse — NUWA research record},
  url = {https://whitzard.tech/nuwa/whitzard-index/work/misuse-safety-case/},
  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--misuse-safety-case.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--misuse-safety-case.json.}
}

证据快照 2026-10-29.1 · 索引更新 · RSS

参考文献

  1. [1] An example safety case for safeguards against misuse. 2025-06-05 ; Official publication masthead and article byline; §2.1 Safety case objectives and definitions; §2.2 Threat modelling; §2.3 Misuse safeguards
  2. [2] Read the full paper