對抗語用學：基於指令衝突與隱含命令的AI安全評估基準

本文提出「對抗語用學」評估框架，旨在解決現有大模型安全評估中因自然語言模糊性導致的誤判問題。傳統基準常將複雜行為壓縮為簡單的通過/失敗標籤，掩蓋了能力限制、策略模糊、指令衝突等根本原因。研究構建了一套語言學控制的分類體系，包含18項種子基準及54行本地種子試點數據，並設計了專家評估協議以區分任務成功、策略合規、安全風險及拒絕結果。通過引入評估者置信度、診斷模糊度和分類漂移等指標，該框架不僅提升了評估透明度，還為驗證安全評估流程、LLM裁判、提示注入測試及文檔構建提供了實用工具，顯著增強了AI安全研究的嚴謹性。