Policy Is Not Capability: Some Safety Benchmarks Measure Which Definition of "Unsafe" You Trained On同一批 5.3 万 prompt 双标注：护栏基准分数取决于标签定义
同一批 5.3 万 prompt 双标注：护栏基准分数取决于标签定义
安全基准污染严重（最高 88%），护栏得分受标注口径左右，自评与选型需重新校准
DOMAIN OBSERVATORY
资料 46 条 · 常规内容近 60–90 天，综述/报告保留一年最近同步 1 小时前
权威综述[1]覆盖118篇RAG防护论文，证据图显示自适应攻击恢复**48.3%**隐藏事实，并指出指标、数据集与威胁模型互不兼容；以下按方向补充前沿进展。
同一批 5.3 万 prompt 双标注：护栏基准分数取决于标签定义
安全基准污染严重（最高 88%），护栏得分受标注口径左右，自评与选型需重新校准