Evaluating Reliability Gaps in Large Language Model Safety via Repeated Prompt Sampling
Fuente:
arXiv
Gespeichert in:
| 1. Verfasser: | Broadwater, Keita |
|---|---|
| Format: | Preprint |
| Veröffentlicht: |
2026
|
| Schlagworte: | |
| Online-Zugang: | |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
Ähnliche Einträge
Evaluating LLM Safety Under Repeated Inference via Accelerated Prompt Stress Testing
von: Broadwater, Keita
Veröffentlicht: (2026)
von: Broadwater, Keita
Veröffentlicht: (2026)
Accuracy, Stability, and Repeated-Run Reliability of Large Language Models on Deterministic Programming Tasks
von: Zhou, Yongxi, et al.
Veröffentlicht: (2026)
von: Zhou, Yongxi, et al.
Veröffentlicht: (2026)
A Hierarchical Imprecise Probability Approach to Reliability Assessment of Large Language Models
von: Aghazadeh-Chakherlou, Robab, et al.
Veröffentlicht: (2025)
von: Aghazadeh-Chakherlou, Robab, et al.
Veröffentlicht: (2025)
Conventional Commit Classification using Large Language Models and Prompt Engineering
von: Quadir, H. M. Sazzad, et al.
Veröffentlicht: (2026)
von: Quadir, H. M. Sazzad, et al.
Veröffentlicht: (2026)
INTERVENOR: Prompting the Coding Ability of Large Language Models with the Interactive Chain of Repair
von: Wang, Hanbin, et al.
Veröffentlicht: (2023)
von: Wang, Hanbin, et al.
Veröffentlicht: (2023)
Evaluating Large Language Models for Code Review
von: Cihan, Umut, et al.
Veröffentlicht: (2025)
von: Cihan, Umut, et al.
Veröffentlicht: (2025)
PromptPex: Automatic Test Generation for Language Model Prompts
von: Sharma, Reshabh K, et al.
Veröffentlicht: (2025)
von: Sharma, Reshabh K, et al.
Veröffentlicht: (2025)
Welcome Your New AI Teammate: On Safety Analysis by Leashing Large Language Models
von: Nouri, Ali, et al.
Veröffentlicht: (2024)
von: Nouri, Ali, et al.
Veröffentlicht: (2024)
Generating Automotive Code: Large Language Models for Software Development and Verification in Safety-Critical Systems
von: Kirchner, Sven, et al.
Veröffentlicht: (2025)
von: Kirchner, Sven, et al.
Veröffentlicht: (2025)
Bridging the Gap: Empowering Small Models in Reliable OpenACC-based Parallelization via GEPA-Optimized Prompting
von: Jhaveri, Samyak, et al.
Veröffentlicht: (2026)
von: Jhaveri, Samyak, et al.
Veröffentlicht: (2026)
Evaluating Large Language Models for Detecting Architectural Decision Violations
von: Su, Ruoyu, et al.
Veröffentlicht: (2026)
von: Su, Ruoyu, et al.
Veröffentlicht: (2026)
CAKE: Cloud Architecture Knowledge Evaluation of Large Language Models
von: Adam, Tim Lukas, et al.
Veröffentlicht: (2026)
von: Adam, Tim Lukas, et al.
Veröffentlicht: (2026)
CrossPL: Evaluating Large Language Models on Cross Programming Language Code Generation
von: Xiong, Zhanhang, et al.
Veröffentlicht: (2025)
von: Xiong, Zhanhang, et al.
Veröffentlicht: (2025)
On the Challenges of Fuzzing Techniques via Large Language Models
von: Huang, Linghan, et al.
Veröffentlicht: (2024)
von: Huang, Linghan, et al.
Veröffentlicht: (2024)
Multi-Sample Prompting and Actor-Critic Prompt Optimization for Diverse Synthetic Data Generation
von: El-Hajjami, Abdelkarim, et al.
Veröffentlicht: (2025)
von: El-Hajjami, Abdelkarim, et al.
Veröffentlicht: (2025)
Large Language Models as Test Case Generators: Performance Evaluation and Enhancement
von: Li, Kefan, et al.
Veröffentlicht: (2024)
von: Li, Kefan, et al.
Veröffentlicht: (2024)
Output Format Biases in the Evaluation of Large Language Models for Code Translation
von: Macedo, Marcos, et al.
Veröffentlicht: (2024)
von: Macedo, Marcos, et al.
Veröffentlicht: (2024)
Legal Compliance Evaluation of Smart Contracts Generated By Large Language Models
von: Wijayakoon, Chanuka, et al.
Veröffentlicht: (2025)
von: Wijayakoon, Chanuka, et al.
Veröffentlicht: (2025)
Beyond Accuracy: Policy Invariance as a Reliability Test for LLM Safety Judges
von: Weng, Shihao, et al.
Veröffentlicht: (2026)
von: Weng, Shihao, et al.
Veröffentlicht: (2026)
Prompt Migration: Stabilizing GenAI Applications with Evolving Large Language Models
von: Tripathi, Shivani, et al.
Veröffentlicht: (2025)
von: Tripathi, Shivani, et al.
Veröffentlicht: (2025)
Impact of Code Context and Prompting Strategies on Automated Unit Test Generation with Modern General-Purpose Large Language Models
von: Walczak, Jakub, et al.
Veröffentlicht: (2025)
von: Walczak, Jakub, et al.
Veröffentlicht: (2025)
RepoDebug: Repository-Level Multi-Task and Multi-Language Debugging Evaluation of Large Language Models
von: Liu, Jingjing, et al.
Veröffentlicht: (2025)
von: Liu, Jingjing, et al.
Veröffentlicht: (2025)
CodeGRAG: Bridging the Gap between Natural Language and Programming Language via Graphical Retrieval Augmented Generation
von: Du, Kounianhua, et al.
Veröffentlicht: (2024)
von: Du, Kounianhua, et al.
Veröffentlicht: (2024)
AdaptEval: A Benchmark for Evaluating Large Language Models on Code Snippet Adaptation
von: Zhang, Tanghaoran, et al.
Veröffentlicht: (2026)
von: Zhang, Tanghaoran, et al.
Veröffentlicht: (2026)
COMPASS: A Multi-Dimensional Benchmark for Evaluating Code Generation in Large Language Models
von: Meaden, James, et al.
Veröffentlicht: (2025)
von: Meaden, James, et al.
Veröffentlicht: (2025)
SWE-Compass: Towards Unified Evaluation of Agentic Coding Abilities for Large Language Models
von: Xu, Jingxuan, et al.
Veröffentlicht: (2025)
von: Xu, Jingxuan, et al.
Veröffentlicht: (2025)
Evaluating Large Language Models for the Generation of Unit Tests with Equivalence Partitions and Boundary Values
von: Rodríguez, Martín, et al.
Veröffentlicht: (2025)
von: Rodríguez, Martín, et al.
Veröffentlicht: (2025)
Evaluating Large Language Models in Code Generation: INFINITE Methodology for Defining the Inference Index
von: Christakis, Nicholas, et al.
Veröffentlicht: (2025)
von: Christakis, Nicholas, et al.
Veröffentlicht: (2025)
CodeGolf Bench: A Multi-Language Benchmark for Evaluating Concise Code Generation Capabilities of Large Language Models
von: Padwal, Vedant
Veröffentlicht: (2026)
von: Padwal, Vedant
Veröffentlicht: (2026)
Asm2SrcEval: Evaluating Large Language Models for Assembly-to-Source Code Translation
von: Hamedi, Parisa, et al.
Veröffentlicht: (2025)
von: Hamedi, Parisa, et al.
Veröffentlicht: (2025)
Flow2Code: Evaluating Large Language Models for Flowchart-based Code Generation Capability
von: He, Mengliang, et al.
Veröffentlicht: (2025)
von: He, Mengliang, et al.
Veröffentlicht: (2025)
VulnLLMEval: A Framework for Evaluating Large Language Models in Software Vulnerability Detection and Patching
von: Zibaeirad, Arastoo, et al.
Veröffentlicht: (2024)
von: Zibaeirad, Arastoo, et al.
Veröffentlicht: (2024)
RobuNFR: Evaluating the Robustness of Large Language Models on Non-Functional Requirements Aware Code Generation
von: Lin, Feng, et al.
Veröffentlicht: (2025)
von: Lin, Feng, et al.
Veröffentlicht: (2025)
Evaluating Large Language Models for Functional and Maintainable Code in Industrial Settings: A Case Study at ASML
von: Mundhra, Yash, et al.
Veröffentlicht: (2025)
von: Mundhra, Yash, et al.
Veröffentlicht: (2025)
CoCo-Bench: A Comprehensive Code Benchmark For Multi-task Large Language Model Evaluation
von: Yin, Wenjing, et al.
Veröffentlicht: (2025)
von: Yin, Wenjing, et al.
Veröffentlicht: (2025)
Generating Energy-Efficient Code via Large-Language Models -- Where are we now?
von: Apsan, Radu, et al.
Veröffentlicht: (2025)
von: Apsan, Radu, et al.
Veröffentlicht: (2025)
HFuzzer: Testing Large Language Models for Package Hallucinations via Phrase-based Fuzzing
von: Zhao, Yukai, et al.
Veröffentlicht: (2025)
von: Zhao, Yukai, et al.
Veröffentlicht: (2025)
Effective Code Membership Inference for Code Completion Models via Adversarial Prompts
von: Jiang, Yuan, et al.
Veröffentlicht: (2025)
von: Jiang, Yuan, et al.
Veröffentlicht: (2025)
Towards Reliable Evaluation of Neural Program Repair with Natural Robustness Testing
von: Le-Cong, Thanh, et al.
Veröffentlicht: (2024)
von: Le-Cong, Thanh, et al.
Veröffentlicht: (2024)
TREAT: A Code LLMs Trustworthiness / Reliability Evaluation and Testing Framework
von: Gao, Shuzheng, et al.
Veröffentlicht: (2025)
von: Gao, Shuzheng, et al.
Veröffentlicht: (2025)
Ähnliche Einträge
-
Evaluating LLM Safety Under Repeated Inference via Accelerated Prompt Stress Testing
von: Broadwater, Keita
Veröffentlicht: (2026) -
Accuracy, Stability, and Repeated-Run Reliability of Large Language Models on Deterministic Programming Tasks
von: Zhou, Yongxi, et al.
Veröffentlicht: (2026) -
A Hierarchical Imprecise Probability Approach to Reliability Assessment of Large Language Models
von: Aghazadeh-Chakherlou, Robab, et al.
Veröffentlicht: (2025) -
Conventional Commit Classification using Large Language Models and Prompt Engineering
von: Quadir, H. M. Sazzad, et al.
Veröffentlicht: (2026) -
INTERVENOR: Prompting the Coding Ability of Large Language Models with the Interactive Chain of Repair
von: Wang, Hanbin, et al.
Veröffentlicht: (2023)