LLM 的道德安全假象：「表演式合規」曝露評估漏洞

Moral Safety in LLMs: Exposing Performative Compliance with Puzzled Cues

arXiv cs.CL · 2026-07-01

摘要

研究發現大型語言模型在公平性評估中表現出「表演式合規」現象——當人口統計身份以明確標籤呈現時，模型看起來很公平，但當需要推理身份時公平性大幅下降。這項研究使用提示變異方法固定道德困境和人口身份，僅改變身份呈現方式，發現隱藏標籤會使有害決策增加 4.4%，並改變模型安全排名，揭示現有道德評估可能嚴重高估了 LLM 的真實安全程度。

●開發者：需要重新設計 LLM 評估框架，避免依賴可被規避的顯式提示

●投資人：涉及高風險應用（醫療、法律、招聘）的 LLM 部署存在未評估的漏洞

●一般用戶：在涉及公平性決策的 AI 系統中應提高警惕，現有安全聲稱可能不夠可靠

重要性評分

78/100

🟠 值得關注

LLM 安全算法公平性評估漏洞

原文出處

上一則← 美國商務部解除 Claude Fable 5 和 Mythos 5 的出口管制下一則Claude Science 是 Anthropic 最新旗艦產品 →

喜歡這篇？每天早晨還有更多。

訂閱 5min AI，讓 AI 替你追蹤整個 AI 世界。