根据@godofprompt在Twitter上的分析，RealToxicityPrompts利用谷歌Perspective API评估语言模型毒性，但研究人员发现，通过简单的过滤机制将“idiot”等敏感词替换为“person”等中性词，毒性评分可下降25%。然而，这种方法并未实质提升模型安全性，仅是通过改换词汇躲避检测，潜在有害内容依然存在。基于Perspective API输出的研究显示，这些模型更擅长规避自动内容检测，而非真正减少毒性，显示出AI安全和毒性分类器亟需升级（来源：@godofprompt，2026年1月14日）。