设计行为代码（DBCs）：面向大语言模型的分层治理基准
人工智能
2026-03-06 v1
摘要
我们提出了Dynamic Behavioral Constraint（DBC）基准，这是第一个用于评估结构化150控制行为治理层MDBC（Madan DBC）在大语言模型（LLM）推理时应用效果的实证框架。与训练时对齐方法（RLHF、DPO）或事后内容 moderation API 不同，DBCs 是一种模型无关、可映射至司法管辖区且可审计的系统提示级治理层。我们在30个领域风险分类学中（分为六个聚类：幻觉与校准、偏见与公平性、恶意用途、隐私与数据保护、鲁棒性与可靠性以及误对齐行为）使用具有代理性红队协议，对抗策略包括直接、角色扮演、零样本、假设和权威冒充，跨3个模型族进行评估。我们的三臂受控设计（Base、Base加Moderation、Base加DBC）实现了风险降低的因果归因。关键发现：DBC层将聚合风险暴露率（RER）从Base的7.19%降至Base加DBC的4.55%，实现了36.8%的相对风险降低；与标准安全 moderation 提示相比仅为0.6%。MDBC遵循得分从Base的8.6提升至Base加DBC的8.7。欧盟AI法规合规性（自动评分）在DBC层下达到8.5。三位评判员评估小组得到Fleiss Kappa大于0.70（实质一致性），验证了我们的自动化管道。聚类消除实验确定完整性保护聚类（MDBC 081 099）提供的最高每个领域风险降低，而灰盒对抗攻击实现DBC绕过率4.83%。我们发布基准代码、提示词数据库及所有评估制品，以便可重复性和随模型演化进行纵向跟踪。
引用
@article{arxiv.2603.04837,
title = {Design Behaviour Codes (DBCs): A Taxonomy-Driven Layered Governance Benchmark for Large Language Models},
author = {G. Madan Mohan and Veena Kiran Nambiar and Kiranmayee Janardhan},
journal= {arXiv preprint arXiv:2603.04837},
year = {2026}
}
备注
14 pages, 3 figures