arXiv论文揭示LLM安全护栏极性盲区

2026年10月20日，arXiv cs.AI / cs.LG 刊出一篇论文，题为《LLM 安全中的极性盲区：否定、反义词替换与对抗包装的系统研究》。论文提出并系统验证：LLM 安全护栏存在“极性盲区”，即模型在否定、反义词替换等改变极性的语言变换后，识别不出有害意图。研究用 260 条提示词构成的基准，测试 10 个前沿模型和英语、西班牙语、捷克语 3 种语言，按 0–5 有害度量表评分，最脆弱模型的平均有害分达到 4.12。作者还测试对抗性文本包装是否会放大这类失效，并发现该现象在语法结构差异较大的语言中同样存在。目前尚无其他来源对该结果作独立复现或回应。

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。