arXiv cs.AI· Liping Yang, Yongqi Leng, Jingting Zheng, Yuqi Ren, Shaolin Zhu, Deyi Xiong·· 1 天前AI 评分35
ABench：对大语言模型在分类化价值观上进行对抗性评测的基准
ABench: Adversarily Benchmarking Large Language Models across Taxonomized Values
AI 导读
ABench 是一个面向中文价值观分类的对抗性基准，基于 158 个细分价值子类构建，包含 2,895 个开放式问题，并采用角色扮演、逻辑陷阱等手段探测模型立场稳定性，同时提出基于题目特定评分标准的加权自动评估框架。对 16 个主流 LLM 的实验显示，多数模型在复杂价值观对抗攻击下得分低于 60，暴露明显脆弱性。该数据将公开发布，已被 EMNLP 2026 主会接收。
来源：arXiv cs.AI · arxiv.org