Безопасность · Понятие

Бенчмарк состязательной прагматики для оценки безопасности ИИ

Лингвистически контролируемый бенчмарк и протокол аннотации для оценки поведения модели при конфликте инструкций, встроенных командах и неоднозначности политики.

Сила тренда 4/10

Импульс +4/кв

Уверенность средняя

Статус новое

Горизонт прогноза

Связи

Связи · 3

Как этот узел связан с остальной картой и какие подтверждения стоят за связями.

ведёт к · поддерживает 3/10

Наука об оценке ИИ

Бенчмарк состязательной прагматики предоставляет лингвистически контролируемую методологию для оценки безопасности ИИ, продвигая науку оценки ИИ.

+3 прирост

ведёт к · питает 2/10

EvalSafetyGap: система измерения оценки и безопасности LLM

Бенчмарки состязательной прагматики устраняют разрыв между оценкой и безопасностью, предоставляя лингвистически контролируемые протоколы оценки безопасности.

+2 прирост

входит · поддерживает 2/10

HaloGuard 1.0: конституционный классификатор с открытыми весами для многоязычной безопасности ИИ

Оба подхода решают проблемы многоязычной и лингвистически сложной оценки безопасности LLM.

+2 прирост

Источники сигнала

Датированные факты из первоисточников по этому направлению.

Центр оценок США Jun 2025

В июне 2025 года Институт безопасности ИИ США переименован в Центр стандартов и инноваций ИИ (CAISI) с разворотом к безопасности, стандартам и оценке моделей противников.

NIST →

Защита фронтира May 2025

Anthropic активировала стандарт развёртывания и безопасности ASL-3 вместе с Claude Opus 4 22 мая 2025 — первое реальное срабатывание ступени ответственного масштабирования, нацеленное на блокировку биорисков.

Anthropic →

Трансграничное тестирование 2025

Международная сеть институтов безопасности ИИ (создана в ноябре 2024) провела третье совместное тестирование, сфокусированное на агентных ИИ-системах по кибер- и мошенническим направлениям.

European Commission — AI Office →