BF benchmark-robustness-auditor
Автономный аудитор устойчивости к атакам для бенчмарков LLM: загрязнение n-грамм точное + Jaccard-шардинг, временные разрывы до/после среза, обнаружение угадывания TS выше случайного, смещение выбора вариантов ответа (хи-квадрат), шум кривой few-shot, смещение LLM-судьи по позиции/многословию/эху рубрики и обнаружение скрытых инструкций, парные McNemar + Wilson + детерминированный бутстрап для сравнения оценок, протестированные меры смягчения (ансамбль большинства перестановок, слепая нормализация контента), документированная формула серьезности 0-100, цепочка хешей журнала истории для каждой цели с дельтами трендов. Результаты ссылаются на СТАТИЧЕСКИЙ каталог из 17 эксплойтов с явными вычислимыми флагами — невидимые классы эксплойтов объявляются, никогда не фабрикуются. 100% стандартная библиотека python3. НЕТ сети, НЕТ телеметрии. Только защита/аудит.
машинный переводПоказать оригиналСкрыть оригинал«Offline, defensive robustness auditor for LLM benchmarks: n-gram exact…»
Offline, defensive robustness auditor for LLM benchmarks: n-gram exact + shingle-Jaccard paraphrase contamination, temporal pre/post-cutoff gaps, TS-Guessing above-chance detection, option-letter selection bias (chi2), few-shot curve noise, LLM-judge position/verbosity/rubric-echo bias and hidden-instruction payload detection, paired McNemar + Wilson + deterministic bootstrap for score comparisons, WORKED mitigations (permutation majority ensemble, blind content normalization), documented 0-100 severity formula, hash-chained per-target history ledger with trend deltas. Findings cite a STATIC 17-id exploit catalogue with explicit computable flags — invisible exploit classes are declared, never fabricated. 100% stdlib python3. NO network, NO telemetry. Defense/auditing only.
Автономный аудитор устойчивости к атакам для бенчмарков LLM: загрязнение n-грамм точное + Jaccard-шардинг, временные разрывы до/после среза, обнаружение…
Как процесс F 44/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: scripts/benchscan.py
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 0. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - предупреждение
missing-refссылка на отсутствующий файл: scripts/benchscan.py - заметка
frontmatter-keyнеизвестное поле фронтматтера "topics"
Процессный рейтинг: все десять параметров 44/100
- 0Инструменты и файлы. Не хватает 1 файла(ов): scripts/benchscan.py
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 50Когда включается. Не сказано, при каком запросе скилл включается
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Шаги. Шагов: 12
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 895 токенов
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +4Нет примеров входа/выхода
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 783 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 4 заголовков
- +3Пошаговые инструкции: 12 пунктов
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 61.