大语言模型回答了该问题吗？用于越狱评测的语义重构博弈

研究人员提出一种免训练的越狱评测器“语义重构博弈”，旨在解决仅更换评测大语言模型就会使攻击成功率（ASR）变动高达 82 个百分点的不稳定问题。该方法仅依据模型回复的实质内容反向重构对应请求，并通过与诱饵请求对比来判断是否匹配原始违规请求，同时允许弃权。在三款现成大语言模型评测器测试中，该方法在人类标签对比中平均误差最低并显著降低 ASR 波动，优先避免假阳性。