NDBench：稽核大型對話式LLM在神經多樣性情境下的回應調整
研究團隊提出NDBench，一套針對對話式大型語言模型的稽核基準，包含576項輸出，涵蓋兩款前沿模型、三類系統提示、四種神經多樣性（ND）角色與24組測試提示。實驗顯示，當系統提示提供明確指示時，模型會顯著產生更長且更有結構的回應，表現為標題與步驟細節增加；調整主要屬於結構性變化而非列表密度改動。
NDBench：稽核LLM對神經多樣性情境的回應調整
最新研究透過名為NDBench的基準測試，檢視對話式大型語言模型在系統提示帶入神經多樣性（ND）情境時是否改變回應。研究包含576項輸出，覆蓋兩款前沿模型、三類系統提示、四種ND角色與24組提示。
研究作者觀察到四項穩定趨勢。首先，模型在有明確調整指示的條件下會產生更長且結構化的回應，表現為標題數量與每步驟細節顯著增加（p<10^-8）。其次，變化多半是結構性而非列表密度改動。第三，單純的ND角色宣稱並不足以抑制潛在有害傾向；只有在明確指示下，掩蔽強化（masking-reinforcement）才出現顯著下降（約36–44%）。最後，對於六項危害評估維度的可靠性分析顯示，僅有兩項（掩蔽與強化、驗證品質）達到預設的一致性標準（alpha≥0.67），因此被視為主要結果。
作者同時公開了所有提示、輸出與程式碼，將NDBench作為一套可重複的審核框架，供未來審查LLM在面對神經多樣性意識時的調整行為使用。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
