정렬 실패 행동
모델이 의도한 안전·윤리 기준이나 사용자 의도와 어긋나는 응답을 생성하는 경향을 말한다. 이 항목은 특정 입력에서 유해하거나 부적절한 출력을 내는 빈도와 유형을 정량화하며 모델 안전성 평가에서 핵심적인 지표로 사용된다. 실무에서는 이 지표를 낮추는 것이 사용자 신뢰와 규정 준수 측면에서 중요하다.
