Tag: jailbreak

All the articles with the tag "jailbreak".

• 7.0

  When Safety Fails Before the Answer: Benchmarking Harmful Behavior Detection in Reasoning Chains

  2026年04月22日

  · cs.CL updates on arXiv.org· 04/22 14:31 采集

  首个在推理链层面检测有害行为的benchmark，捕捉jailbreak过程中从抑制拒绝到掩盖风险的完整行为链条