跳到正文
arXiv · AI· Xiang Li, Aichun Huang, Mingming Zhang, Zheli Liu·· 2026-10-14AI 评分35

论文首次对比 Jev、LLM 评审与专用安全分类器在对抗攻击下的表现

Same Attack, Different Judge: A First Controlled Adversarial Comparison of Jev, LLM Judges, and Purpose-Built Safety Classifiers

AI 导读

summary_zh: 针对 TypeSafe AI 的 Jev 发布首项受控对抗评估,使用 50 种攻击变体测试 4 类任务。 Jev 在输入审核中最稳健,仅 9% 块被绕过,但在钓鱼检测中拦截率仅 62%,低于 GLM 模型的 77%-81%。

来源:arXiv · AI · arxiv.org