Recoverability-Controlled Safety Miscalibration in Large Language Models

RiskCueBench 基准显示，在意图可恢复时，LLM 增加上下文特异性会导致拒绝率降低 0.175，全局安全评分降低 0.440。 该基准包含 160 个潜在意图和 640 个表面提示，覆盖 25 个模型组及 32,000 个输出，证实安全行为可能因表面形式而错配。 这促使评估方法在语义可恢复性条件下报告响应行为。