摘要
双用途生物助手的安全评估通常测量基础模型能力、拒绝行为或越狱成功率，这些指标未能解答一个部署问题：在固定基础模型下，用户实际看到的访问条件如何改变良性效用与有害可操作性。
我提出了安全条件提升（safeguard-conditioned uplift），这是一种通过人类判断的效用-风险前沿比较已部署访问条件的协议。我评估了Claude Sonnet 4.6和Gemini 3.5 Flash在有益提示、安全提示和外部安全助手下的表现，使用了一个包含108个任务的替代基准，其中关键声明仅限于锁定的18个任务保持分割。在一次600行的盲审中，安全助手在49对匹配响应中，相较于有益提示，减少了有害可操作性，变化为-0.063，95%自助区间为[-0.117, -0.011]，而正确性变化为+0.009，自助区间为[-0.057, +0.077]。
自适应、Test-B、提示消融和控制基线检查支持了测量结果，但也显示出非主导性：安全提示对Claude通常是最强的，而外部控制对Gemini的帮助更大，并可能降低良性效用。这个贡献并不是一个通用防御，而是一个部署级评估目标，加上一个学习的风险预算校准程序，用于测量用户面向的访问条件如何影响效用-风险前沿。
博主点评： 本文提出了一种新颖的评估协议，通过比较不同的访问条件来衡量双用途生物助手的效用与风险，具有重要的实际应用价值，尤其在安全性与可操作性之间的平衡上，值得进一步深入研究与探讨。