arXiv · NLP· Jinghao Pang, Jitai Hao, Qiang Huang, Zhaochun Ren, Jun Yu·· 2026-10-07AI 评分37
SSRFT 通过安全角色内化实现 LLM 鲁棒对齐
Beyond Refusal Patterns: Safe-Role Internalization for Robust and Generalizable LLM Safety Alignment
AI 导读
SSRFT 将安全对齐重构为预定义安全角色内化,比标准 SFT 更鲁棒且泛化性更强。 SRFT 构建 SRQA 数据集并合成角色一致响应,提升了对预填充攻击的抵抗能力及对未知越狱场景的泛化性,同时减少过度拒绝。 该方法确立了安全角色内化作为以拒绝为中心的安全对齐的有效替代方案。
来源:arXiv · NLP · arxiv.org