DeflectBench：评估 LLM 生成修辞谬误能力的基准测试

英文标题：DeflectBench: A Benchmark for Evaluating Rhetorical Fallacy Generation in LLMs

该论文发布于 arXiv，编号为 arXiv:2608.26119v1，属于新增投稿。研究提出 DeflectBench，用于评估大语言模型（LLM）能否在提示下按需生成修辞谬误。论文关注当前安全后训练是否会限制这类行为，而这一问题此前相比识别既有文本中的谬误受到的关注较少。该基准可为开发者和研究者评估模型的说服性操纵风险及安全对齐效果提供参考。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB