**行为安全评估失效：表征层面的视角**

_When Behavioral Safety Evaluation Fails: A Representation-Level Perspective_

> 本文揭示了仅从行为层面评估大模型安全性的不足，提出“审计差距”概念，并通过构建分裂模型与潜在脆弱性分数（LVS）发现，行为安全指标无法反映模型在表征干预下的鲁棒性，倡导结合表征层面的审计。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-10 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.08044)