📖 AI 总结

该研究针对大语言模型安全对齐中“一刀切”式拒绝策略的弊端，提出应精准拒绝话题下的特定有害子集，而非整个话题。核心发现是，过度宽泛的拒绝虽能提升安全指标，却显著损害模型在合法场景下的实用性。通过引入子集级分类与动态决策机制，模型可在保留正常讨论的同时，有效拦截真正有害的表述。实验数据显示，该方法在降低违规响应率的同时，将合法请求的可用性提升约20%，实现了安全性与功能性的更优平衡。研究意义在于，为安全对齐提供了更细粒度的操作范式，提示未来对齐工作应关注“拒绝什么”而非“是否拒绝”，从而推动模型在复杂真实场景中的负责任部署。