当上下文翻转时，安全即失效：诊断对齐语言模型中的脆弱安全性

安全基准分数不足以证明已具备部署条件：对齐后的语言模型即使面临翻转了哪个动作是安全的情境更新，仍常僵化地遵守原有规则。我们将这种失效称为脆弱安全（brittle safety）。为诊断该问题，我们引入上下文翻转评估，在一个安全基准（PacifAIst）和两个常识对照上测试12个模型，使用名义上安全的动作会产生伤害的成对变体。由此得出三项发现。第一，脆弱安全是安全特异性的：全部12个模型都表现出安全-常识差距（平均+17.4个百分点）。基线准确率无法预测脆弱程度：在基线准确率超过90%的模型中，脆弱率从13.7%到90.0%不等。第二，失效源于策略覆盖而非理解错误：尽管模型在每一例中都承认了上下文变化，它们仍通过三种不同的机制坚持原行为，这些机制随更新类型和模型家族而变化。第三，在人工审核的灾难性后果翻转场景探针上，标准的动作级护栏一个也未能拦截，而状态感知验证器全部拦截，且对正确干预无误报。这表明动作级内容审核对后果翻转存在系统性盲区，从而催生了对状态感知架构替代方案的需求。我们发布了评估协议、扰动基准和部署探针。