个人健康助手改提示词前先过一道闸:21次更新尝试拒掉20次,修复后攻击违规从9/84降到0/84
面向个人健康助手 Kicker 的提示词更新评估组件 Safe Personal RSI 在采纳前先测试拟议指令:在 GPT-5.6 Sol、GPT-5.6 Luna 与 Qwen3-14B 上,两次预设的高风险编辑共产生21次更新尝试,其中20次被拒(12次因风险检查、8次因效用检查)。GPT-5.6 Luna 的一次大模型修复通过验证与采纳,固定测试集上攻击标记从9/84降到0/84,安全任务完成从78/87升到87/87;从 Qwen2.5-7B-Instruct 迁移到 Qwen3-14B 的修复在更强攻击下把违规从58/84降到15/84。