模型“恐惧”的词：从拒绝方向到词汇表级恐惧词典

在8个对齐模型中，特定有害词通过单一隐藏状态方向改变生成边界，该方向上的投影可单调预测拒绝率。 利用该方向构建全词汇表恐惧/勇气词典，插入未见过的恐惧词会提升拒绝率，而将最恐惧词替换为保义同义词可显著提高回答率。 这一发现揭示了词元层面的线性拒绝机制，为安全微调提供可量化工具。