SORRY-Bench

SORRY-Bench는 언어모델에게 여러 문항을 던져놓고, 위험할 수 있는 요청을 얼마나 잘 걸러내는지 채점하는 시험이다. 마치 수많은 손님을 상대하는 편의점 알바생에게 '술 살 것 같은 미성년자를 얼마나 잘 걸러내는가'를 시험하는 것과 비슷하다.

그런데 이 시험에는 허점이 있었다. 손님을 지나치게 의심해서 성인까지 다 돌려보내면 오히려 '잘 걸러낸다'는 점수가 올라가버리는 식이다. 실제로 위험한지 아닌지 정교하게 판단하는 능력이 아니라, 그냥 무조건 조심스럽게 거절하기만 해도 점수가 오를 수 있다는 게 최근 연구로 드러났다.

그래서 이 시험을 짧게 줄이는 방법도 함께 연구됐다. 문제 5000여 개 중 실제로 모델 간 차이를 보여주는 문항은 일부뿐이라, 약 10문항만 골라 쓰면 비용을 크게 줄이면서도 전체 시험과 비슷한 결과를 얻을 수 있었다.

기사에서는 "HarmBench, OR-Bench-Hard, SORRY-Bench 같은 안전 벤치마크"라는 식으로 다른 안전성 시험들과 묶여 언급된다. 오해하기 쉬운 점은, 이 시험 점수가 높다고 해서 모델이 정말 안전하게 판단력이 좋다는 뜻이 아니라는 것이다. 그저 요청을 더 자주 거절하기만 해도 점수가 오를 수 있어, 실제 유용성과는 오히려 반비례하는 경우도 있다.