研究项目

AACL-IJCNLP 2026 · 已发表

PAIRSAFE

拒答分数可以把两个提示排对,却仍然误拒良性一侧。PAIRSAFE 沿着 150 对匹配样本,分别检查分数排序、留出阈值和实际生成。

主要结果

六个类别的匹配对数
150
Qwen 留出阈值下双侧均正确
132 / 150
Qwen 按生成判定规则双侧均正确
105 / 150
阅读实验结果

结果适用于什么范围

生成检查只覆盖 Qwen,采用归档的规则标签。发布包可从逐例分数复算主表,并标出了定稿嵌套元数据审计的转录来源。

技术报告

论文条目

PAIRSAFE: Proxy-Resistant Paired Safety Evaluation for Refusal Boundaries

引用信息

复制文本

暂时无法自动复制,请选中并复制下方文本。