研究者提出授权一致性护栏评测基准

研究者 Huihao Jing 等人提出并发布基准 \bench{}，用专家标注的自然语言场景和已执行验证的操作，检验 Guardrails 能否在阻止未授权操作的同时放行有合法权限的同一操作。 实验发现，许多被阻止的操作源于审查失败而非正确拒绝；修复输出格式可恢复可用决策，但会改变被放行的授权请求；增加第二名审查者能消除部分错误，却会拒绝有效授权。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。