Jev、LLM裁判与安全分类器的首个受控对抗评测

Xiang Li、Aichun Huang 等作者在 arXiv 论文（arXiv:2610.17820）中称完成了对 Jev 的首次受控对抗评测，比较对象还包括 5 个 GPT 和 GLM 评判器以及两个本地安全分类器（Llama Guard 3、Prompt Guard 2）。测试框架让每个系统在相同策略下接收相同载荷，覆盖 4 个公开数据任务，使用来自 13 个攻击家族的 50 种攻击变体。 结果显示各系统表现不一：Jev 在输入审核任务中最稳健且速度最快，但误标了 27% 的正常请求；在钓鱼检测中 Jev 自身仅识别 62% 的钓鱼邮件，而 GLM 评判器为 77% 至 81%。 以上结果基于论文摘要，具体实验细节尚未核验。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。