Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

InvisibleBench: A Deployment Gate for Caregiving Relationship AI

Created by
  • Haebom
Category
Empty

저자

Ali Madad (GiveCare)

InvisibleBench: 배포 준비성 평가를 위한 돌봄 관계 AI 벤치마크

개요

InvisibleBench는 돌봄 관계 AI를 위한 배포 게이트로, 안전성, 규정 준수, 트라우마 인지 설계, 소속감/문화 적합성, 기억 등 5가지 차원에서 320턴 이상의 상호 작용을 평가합니다. 이 벤치마크는 위기 미감지, 의료 조언(WOPR 법), 유해 정보, 애착 공학에 대한 자동 실패 조건을 포함합니다. 3단계의 복잡성을 가진 17가지 시나리오(N=68)에서 4가지 최첨단 모델을 평가합니다. 모든 모델은 상당한 안전성 격차(11.844.8% 위기 감지)를 보이며, 이는 프로덕션 시스템에서 결정론적 위기 라우팅의 필요성을 나타냅니다. DeepSeek Chat v3가 전체 최고 점수(75.9%)를 기록했으며, 강점은 차원별로 다릅니다. GPT-4o Mini가 규정 준수(88.2%)를, Gemini가 트라우마 인지 설계(85.0%)를, Claude Sonnet 4.5가 위기 감지(44.8%)에서 가장 높은 순위를 기록했습니다. 모든 시나리오, 판단 프롬프트, 코드와 함께 채점 구성을 공개합니다. InvisibleBench는 실제 피해가 발생하는 종단 위험을 평가하여 단일 턴 안전성 테스트를 확장합니다. 임상적 주장은 없으며, 배포 준비성 평가입니다.

시사점, 한계점

시사점:
돌봄 관계 AI 모델의 안전성, 규정 준수, 트라우마 인지 설계, 소속감/문화 적합성, 기억과 같은 다양한 차원을 평가하는 벤치마크를 제공합니다.
모든 모델에서 안전성 격차가 발견되어 프로덕션 시스템에서의 결정론적 위기 라우팅의 필요성을 강조합니다.
모델별 강점이 다르다는 점을 보여주어, 특정 차원에 특화된 모델 개발의 가능성을 시사합니다.
단일 턴 안전성 테스트를 넘어, 종단 위험 평가를 통해 실제 피해 가능성을 평가합니다.
한계점:
임상적 주장이 아닌, 배포 준비성 평가에 초점을 맞춥니다.
평가에 사용된 시나리오와 모델의 수가 제한적일 수 있습니다.
각 모델의 성능은 특정 벤치마크 환경에 따라 달라질 수 있습니다.
👍