Design Behaviour Codes（DBCs）：面向大语言模型的分类学驱动分层治理基准

我们介绍Dynamic Behavioral Constraint（DBC）基准，这是首个实证评估在推理时应用于大语言模型（LLM）的结构化、150项控制的行为治理层——MDBC（Madan DBC）系统——效能的框架。与训练时对齐方法（RLHF、DPO）或事后内容审核API不同，DBC构成一个系统提示级的治理层，与模型无关、可映射到司法辖区且可审计。我们在按六个集群组织的30个领域风险分类法（幻觉与校准、偏见与公平、恶意使用、隐私与数据保护、鲁棒性与可靠性、错位能动性）上评估DBC框架，采用Agentic红队协议，包含五种对抗攻击策略（Direct、Roleplay、Few-Shot、Hypothetical、Authority Spoof），跨3个模型家族。我们的三臂受控设计（Base、Base加审核、Base加DBC）实现了风险削减的因果归因。关键发现：DBC层将总体风险暴露率（RER）从7.19%（Base）降至4.55%（Base加DBC），相对风险削减36.8%，而标准安全审核提示仅削减0.6%。MDBC依从性得分从8.6/10（Base）提升至8.7/10（Base加DBC）。在DBC层下EU AI Act合规（自动评分）达到8.5/10。三裁判评估组合的Fleiss kappa大于0.70（高度一致），验证了我们的自动化流水线。集群消融识别出Integrity Protection集群（MDBC 081–099）带来最高的单位领域风险削减，而灰盒对抗攻击达到4.83%的DBC绕过率。我们发布基准代码、提示数据库和全部评估产物，以便在模型演进时实现可复现性和纵向追踪。