[논문리뷰] Policy Is Not Capability: Some Safety Benchmarks Measure Which Definition of 'Unsafe' You Trained On본 논문은 현대의 안전 벤치마크가 모델의 실제 Capability를 측정하는 것이 아니라, 학습 데이터에 반영된 특정 Policy의 정의를 얼마나 준수하는지를 측정하고 있음을 밝힌다.#Review#Guardrail#AI Safety Evaluation#Label Policy#Over-refusal#Benchmark Contamination#Steerability2026년 10월 19일댓글 수 로딩 중