ABench：基于分类价值观的大语言模型对抗性基准测试

ABench 针对中文价值观发布基准测试，含158个子类及2895个开放性问题，采用角色扮演和逻辑陷阱进行对抗评估。 对16个主流LLM的实验显示，多数模型在复杂价值观对抗攻击下得分低于60，暴露出显著脆弱性。 数据将公开，该基准测试已被 EMNLP 2026 主会议接收。