行业与实践 · 标签「DIB-Bench」

研究与基准测试/2026-10-18/22 分钟

更强的评判者并不会看见更多：大语言模型评测中的部署完整性盲视

只看输出的评测不报告运行时栈是谁。DIB-Bench 在 7,560 条样本、六类篡改上测量部署完整性盲视。评判越强，越容易放过被篡改的输出：规则评分 88.6%，GPT-5-nano 94.1%。清单哈希用零个样本就能抓住输出分布没有偏移的那一类。