AI 安全评测基准繁多，但没有一个能讲清全貌
文章指出，衡量大语言模型安全性的评测基准正快速增多，各自针对不同变量，但没有任何一个能取代针对自身代码与工作流的实测。随着面向不同攻击面的基准不断涌现，拼凑式的评测格局让模型安全度量变得复杂，最终仍需结合自身场景做落地测试。
#评测流水线
安全深度阅读推荐指数3333
AICSO.AI汇总精选推荐指数7575 AI21 Labs 发布 LIFT-Bench 与 LIFT-Train，抑制指令跟随训练中的奖励作弊
AI21 Labs 发布指令跟随评测集 LIFT-Bench、含 34,258 件任务的训练集 LIFT-Train 及开源生成管线，配套论文由 Eran Goldstein 等人于 10 月 20 日提交至 arXiv。
推荐理由：原文详细拆解了奖励作弊的成因与作用域约束判定器的验证过程，读者可据此理解RL奖励设计如何影响指令跟随训练。
安全内参推荐指数5757 从对话框到物理世界：大模型安全评测的升级思路浅析
文章提出面向具身智能场景的大模型安全评测应从文本拒答延伸到物理动作后果，将跨模态危险任务纳入评估，并区分模型主动拒止、安全防护系统拦截、本体执行失败等不同结果。
AICSO.AI汇总推荐指数5252 Ai2 发布 FairStress 基准，评测 LLM 高风险决策中的群体公平性
Ai2 发布 FairStress 基准，用于评测 LLM 在招聘、贷款、医疗等高风险决策中的群体公平性，除最终选择外还测量模型在对抗前缀下改变决策的难易程度。基准覆盖 29 个领域的 300 个双候选人场景，扩展为超过 1300 万个测试用例，并提供 5 万条的 FairStress-Core 子集。
Hugging Face Blog精选推荐指数7171 Ai2 发布 FairStress 基准，评测大模型决策中的群体公平性
Ai2 发布 FairStress，一个衡量大模型在涉及人的决策中人口群体公平性的基准，覆盖 29 个领域、300 个双候选人场景，并已集成进 Olmo-eval。
推荐理由：FairStress 把公平性评测从最终选择扩展到对抗前缀下的决策稳定性，并给出跨模型与训练数据的实测差异。
安全内参推荐指数6262 《工业和信息化领域人工智能安全评测框架（2026版）》正式发布
2026年10月15日，在2026人工智能产业大会上，由工业和信息化部网络安全管理局指导、中国人工智能产业发展联盟牵头、31家单位共同编制的《工业和信息化领域人工智能安全评测框架（2026版）》正式发布。
AICSO.AI汇总精选推荐指数7878 Vals AI 发布 SAFE-Teen 基准：18 款聊天机器人青少年安全测试全部失败，54% 对话至少一次失败
Vals AI 与临床医生合作构建 SAFE-Teen 基准，模拟 3 万多段青少年与 18 款 AI 模型的多轮对话，在未加青少年提示的情况下，54% 的对话至少出现一次青少年安全失败。
推荐理由：Vals AI 与临床医生共建 SAFE-Teen，用 3 万段多轮对话测 18 款模型，给出可比较的青少年安全失败率与推回场景数据。
Anthropic精选推荐指数8080 Anthropic 前沿红队发布评测，衡量 AI 模型的情报定位与常规武器开发能力
Anthropic 前沿红队发布新评测，衡量模型在战术情报定位（如依据碎片信息定位人员）与常规武器开发（如编写无人机打击移动目标的制导代码）上的能力。
推荐理由：Anthropic 红队公开了情报定位与常规武器开发两类能力评测，并给出各模型在模拟任务上的具体差距，可作为判断军事领域滥用风险的参照。
腾讯玄武实验室推荐指数5757 腾讯玄武 Atuin AI 换用 GLM-5.2 后在 CyberGym 上取得 84.8% pass@1
腾讯玄武实验室使用 GLM-5.2 重新评估其多智能体安全分析系统 Xuanwu Atuin AI，在 CyberGym 全部 1507 个任务上取得 84.8% 的 pass@1（1,278 个任务成功生成仅使修复前二进制崩溃的 PoC），较此前 GLM-5.1 驱动时的 84.0% 提升 0.8 个百分点。