WildJailbreak

Hold

Công cụ

Benchmark gồm các prompt jailbreak độc hại và prompt vô hại để kiểm tra khả năng từ chối của mô hình.

Vì sao ở đây

Xếp vào Hold: 1 bài bằng chứng từ 1 nguồn, chủ yếu là tin nghiên cứu, 0 bài trong 30 ngày qua. Độ tin cậy 24%. Bằng chứng còn ít nên xếp thận trọng, chờ thêm tín hiệu.

Bằng chứng (1)

7Hugging Face Blog·1/9/2026research
BenchMIRT kiểm tra các benchmark LLM thực sự đo lường điều gì
Hugging Face giới thiệu BenchMIRT, một phương pháp kiểm định mới dùng lý thuyết đáp ứng đa chiều để phân tích từng prompt trong benchmark LLM. Khi áp dụng lên kết quả của 100 mô hình trên 16 benchmark, phương pháp này cho thấy hai chiều năng lực ổn định là an toàn và suy luận tổng quát, đồng thời phát hiện một số benchmark như BBQ có thể đo các năng lực khác với mục tiêu công bố.