When Behavioral Safety Evaluation Fails: A Representation-Level Perspective

这篇论文说明“会拒答”不等于内部鲁棒。作者构造外部行为安全但 latent space 可被干预诱导有害行为的 dissociated models，并提出 Latent Vulnerability Score 测量 bounded perturbation 下的脆弱性；结果显示中间表示层最敏感，行为评测需要和表示层 audit 搭配使用。