arXiv ID:
2607.07184
arXiv 提交日期: 2026-07-08
通过模拟部署在发布前预测大语言模型的安全性 / Predicting LLM Safety Before Release by Simulating Deployment
1️⃣ 一句话总结
本文提出一种通过模拟模型实际部署场景来预测大语言模型在发布后出现不安全行为频率的方法,在多个GPT-5系列模型上验证其准确性优于传统评估,并证明该方法甚至可利用公开聊天数据复现,为外部研究者提供了一种不依赖内部日志的风险预估手段。