Phare：大型语言模型的安全探针

确保大型语言模型 (LLM) 的安全对于负责任的部署至关重要，然而现有评估通常优先考虑性能而非识别失效模式。我们引入 Phare，这是一个多语言诊断框架，用于探测和评估 LLM 在三个关键维度的行为：幻觉和可靠性、社会偏见以及有害内容生成。我们对 17 个最先进的 LLM 的评估揭示了所有安全维度的系统性漏洞模式，包括谄媚、提示敏感性和刻板印象再现。通过突出这些具体的失效模式而不是简单地对模型进行排名，Phare 为研究人员和实践者提供了可操作的见解，以构建更鲁棒、对齐和值得信赖的语言系统。