arXiv cs.CL· Alexi Canesse, Mathis Le Bail, Ma\"el Jenny, Cl\'ement Elliker, Mahammed El Sharkawy, Sonia Vanier·2026-10-08 12:00· 4 小时前AI 评分31

PatchBench：衡量激活修补附带损伤的基准

PatchBench: Measuring Collateral Damage in Activation Patching

AI 导读

研究团队推出 PatchBench，用于衡量 LLM 安全补丁的附带损伤，从 37 个公开数据集的 27,870 条提示词中筛选出 15,314 条英文提示词，查询 8 个开源指令微调模型，最终保留 400 条高置信度越狱失败样本。

来源：arXiv cs.CL · arxiv.org