false-alarm

这篇arXiv论文研究了来自模拟同行的共享社会线索如何破坏LLM安全评审小组中的多数投票保护。它表明，当所有评审者收到相同的错误“不安全”标签时，小组的误报率跃升至100%，揭示了一种失败模式，并提供了一种部署前的诊断方法。