Jailbreak 鲁棒性已成为大语言模型安全评估的核心，但现有方法主要依赖拒绝行为、语义相似性和意图匹配等启发式，侧重语言表面而非答案正确性。我们发现一个关键缺陷：多数 jailbreak 意图关注指令的有效性而非认知事实性，导致外观合理的回复即被标记为成功，即使在事实或步骤上错误。为弥补这一缺口，本文提出顺序认知与动作层验证（SEAV），一种以验证为中心的 jailbreak 评估框架。SEAV 将模型输出拆解为有序步骤，分别评估其有效性和正确性。框架结合 LLM‑as‑judge 进行语义解析，并利用检索式外部知识进行事实校验，检查生成内容是否事实准确、结构一致、并能实际推进有害目标。实验表明，SEAV 在 SD‑A（精选的策略性不诚实诊断）上将误报率降低 $14.9\text{pp}$，相较最强基线提升显著；在四个公开基准中，重新标记了 $22.1\%$–$51.0\%$ 的先前成功样本为无效。结果表明，加入正确性约束会显著改变鲁棒性度量：大量原本标记为 jailbreak 成功的案例被重新认定为无效，且在不同搜索后端和评估模型下结果保持稳定。代码与数据已开源：https://github.com/Ardor-Wu/SEAV。
点评：通过引入事实与操作层面的验证，SEAV 有效削减了误判，提供了更可信的安全评估基准。