arXiv cs.AI· Yongxi Zhou, Wenbo Ye, Yuanzhe Liu, Zihan Dong, Junwei Yao, Jiahui Ge·2026-10-15 12:00· 9 小时前AI 评分44

风格压倒内容：内容不变的包装文本如何翻转 LLM 安全评判结果

Style Over Substance: Content-Invariant Wrappers Flip LLM Safety-Judge Verdicts

AI 导读

研究用 600 余条 JailbreakBench 回复、9 种包装文本和 8 个评判模型测试发现，在有害回复前加一句"我无法帮助"的 token 拒绝语，会让 GPT-4o-mini 19.9% 的正确"不安全"判定翻转为"安全"（噪声基线 0.5%），而 Claude 仅变动 0.4%。

来源：arXiv cs.AI · arxiv.org