Tízből csak egy robot tudja biztonságosan elvégezni a feladatot, új teljesítményteszt teszteli őket

A BARC-Bench 110 feladatot vizsgál kilenc szimulált környezetben, ahol a biztonságosnak tűnő kérések is veszélyes cselekedetekhez vezethetnek. A legfejlettebb modellek is 27,3%-ban sértenek biztonsági határokat.