一项发表于2026年4月10日的新预印本研究对14个开源安全防护模型进行了全面评测，结果对“模型越大越安全”的直觉提出了挑战。该论文题为《Benchmarking Open-Source Safety Guard Models: A Comprehensive Evaluation》，由Reetu Raj Harsh等三位作者完成，提交至arXiv的cs.CL板块，同时涉及cs.AI与cs.SE方向（编号arXiv:2605.28830v1）。
研究团队构建了一个包含79,331条样本的精选基准，覆盖美国国家标准与技术研究院（NIST）AI风险框架中的8个安全类别。这些样本来自四个差异较大的数据集——HarmBench、StrongREJECT、RealToxicityPrompts与BeaverTails，并经过筛选，只保留与安全直接相关的内容，包括暴力、仇恨言论、骚扰、性内容、自杀与自残、粗俗语言、威胁以及健康错误信息。这一聚合方式使评测能够横跨多种真实场景，而非局限于单一数据分布。
作者强调，在安全应用中召回率（recall）才是关键指标。原因在于漏掉有害内容所造成的风险通常大于把正常内容误判为有害的假阳性。基于这一判断，评测结果显得颇为出人意料：参数量仅40亿的Qwen Guard取得了最高的召回率83.97%，而规模更大的模型反而表现保守。例如120亿参数的Llama Guard与200亿参数的GPT-OSS Safeguard最多漏掉了75%的不安全内容。
论文由此得出两个核心结论。第一，模型规模与安全检测性能之间不存在相关性，增大参数量并不能自动带来更高的有害内容识别率。第二，通用型防护模型在这一基准上优于专用型防护模型。这些发现为生产环境中如何选择安全防护模型提供了实际参考，也提醒部署方不能仅凭模型大小或“专用”标签做出判断。
从时间线看，该论文于2026年4月10日06:55:07 UTC以v1版本提交，全文约309 KB，并提供PDF、实验性HTML与TeX源码等多种获取方式。需要注意的是，作为预印本，其结论尚未经过正式的同行评审，基准的构建方式与指标选择也可能影响最终解读。不过，作者明确将召回率置于首位，并对14个开源模型进行了统一条件下的横向比较，这对正在构建内容审核管线的工程团队具有直接的参考价值。