可审计的发布控制：应对LLM辅导工具中的教学泄露

本论文提出教育型LLM辅导工具中的教学泄露问题，指模型在授权前披露答案或推理。作者引入授权感知的完整中介边界，并实现可审计的发布控制。在599个Gemini 3.5提案上，严格中介将盲测泄露标记从181降至0，但降低了有用性；在外部时间戳复现中，高保证发布将主要标记从42降至8，仍有7处失败。

此前LLM辅导工具的安全研究多关注错误或有害内容，而本文首次系统定义并量化了“教学泄露”——模型正确且有帮助但过早泄露答案。通过可审计的控制机制，泄露标记大幅减少，为辅导工具的安全发布提供了新思路。

论文通过选择器生成五种披露契约，门控特权模式，渲染器提出语言，并由单一发布函数执行可检查的检查、可选累积验证和动作特定回退。可重放的轨迹分离选择、生成、验证和执行失败，实现组件归因，从而在安全性和有用性之间权衡。

该机制可显著降低辅导工具泄露答案的风险（主要标记减少约81%），但会降低有用性（替换大量回复，平均有用性下降0.192）。产品需在安全与有用性间权衡，可能影响回答生成流程、验证模块设计及用户体验。

• 在辅导产品中集成发布控制层，对高价值问题启用严格中介。
• 利用回退机制，当检查器触发时提供替代答案，平衡安全与有用性。
• 开发可重放追踪工具，帮助研发定位泄露根因。
• 设计用户反馈机制，量化有用性下降，优化权衡。

• 该机制在更大规模、更多样化问题上的表现如何？
• 有用性下降是否可接受？如何优化以提升有用性？
• 选择器生成的五种披露契约如何适配不同教学场景？
• 外部复现中仍有7处失败，是否可通过调整参数进一步减少？