四项测试原则揭示 LLM 安全评判器缺乏策略不变性

现有 LLM 安全评判器难以区分规范性改变与无意义改写，内容保持的政策重写导致高达 9.1% 的判决翻转。 18-43% 的判决翻转发生在无歧义案例上，且该失效模式在前沿模型中依然显著。 研究提出策略不变性评分与评判器卡片协议，已被 NeurIPS 2026 接收并开源相关代码。