BMMS 评测套件：按具体政策条款衡量语言模型行为合规性

arXiv 论文提出 Behavioral Misalignment Metric Suite（BMMS），以任意政策文本为输入，输出该系统的合规画像，核心指标包括 Compliance Attainment Score（CAS）与 Compliance Robustness Margin（CRM）。指标需通过以归因为判据的准入测试，套件据此剔除了自身的一个指标。在来自 11 份文档的 1,003 条义务上，准入判据对厂商规范的盲评精确率达 94.4%，对分析类指南为 50.0%。实测显示，GPT-4o 在 OpenAI Model Spec 的硬性约束上失败 70.7%，而两款 Claude 模型分别失败 0.0% 和 9.1%。