arXiv · AI· Mohamad Zbib, Mohamad Bazzi, Ammar Mohanna·· 2 天前AI 评分21
阿拉伯语安全对齐中的选择性拒绝:SFT、DPO 与护栏校准的实证研究
Arabic Safety Alignment as Selective Refusal: An Empirical Study of SFT, DPO, and Guard Calibration
AI 导读
纯拒绝 SFT 导致过度拒绝,而混合 SFT 使 5 个阿拉伯语模型在有害拒绝率 H 达 90%-93% 时,良性拒绝率 B 维持在 14%-23%。 DPO 与推理护栏效果因模型而异,标注员一致性 89.0%(kappa=0.78),Qwen3Guard 与 Aya Expanse 32B 准确率分别为 88.7% 和 91.0%。
来源:arXiv · AI · arxiv.org