标签
该论文对五个大语言模型在多传感器物理危害评估中的表现进行了基准测试，结果发现，当多个传感器同时升高但均未达到各自安全限值时，所有被测试模型均未能发出预警信号，而在单传感器违规检测中则表现出近乎完美的准确性。