LESSON 5.8 · 工程 · 110 分钟
安全、红队与系统卡
安全、红队与系统卡：理解threat model、jailbreak、misuse、risk register，完成“完成一次小模型红队”。属于「让模型成为助手」学习阶段。
学完你应该能够
- 能不用术语堆砌，解释「安全、红队与系统卡」解决了什么问题。
- 能围绕 threat model、jailbreak、misuse 画出变量与因果关系。
- 能完成「完成一次小模型红队」，并用证据而不是感觉判断结果。
核心概念
threat model
threat model要放进目标—数据—优化—评测闭环，特别检查代理指标是否会被模型钻空子。 先给它一个可操作的定义，并指出它解决的具体问题。
jailbreak
jailbreak要放进目标—数据—优化—评测闭环，特别检查代理指标是否会被模型钻空子。 把它放进前后依赖中：输入从哪里来，输出会改变谁。
misuse
misuse要放进目标—数据—优化—评测闭环，特别检查代理指标是否会被模型钻空子。 写出至少一个不变量、shape 约束或成立条件。
risk register
risk register要放进目标—数据—优化—评测闭环，特别检查代理指标是否会被模型钻空子。 用反例说明忽略它时系统会怎样失败。
实践任务
完成一次小模型红队
- 预测：在运行代码前，写下你预期的输出、趋势或失败位置。
- 构建：定义约束与成功指标，只保留回答核心问题所需的最小组件。
- 验证：使用固定评测集、人工复核、置信区间与失败样本分层；保存参数、随机种子与原始结果。
- 迁移：改变用户群、风险等级或奖励信号后重新设计评测，说明原结论是否仍成立。