语言模型合规性的双探针诊断基准：The Pushback Paradox

研究者提出一个开放的双探针基准，可将任意语言模型置于"可被利用"与"可被叫停"的合规性光谱上。主动探针让模型执行指令并接受较低收益，测量可被利用性；被动探针让模型等待并放弃较高收益，测量可被叫停性。两项合规率合成合规指数 κ，并已应用于十二个语言模型。