SSRFT：把安全对齐改为内化安全角色

Jinghao Pang等作者提出SSRFT（Supervised Safe-Role Fine-Tuning），称其首次将LLM安全对齐重构为对预设安全角色的内化，而非依赖显式拒绝模式。该框架用心理测量问题、有限越狱提示和安全角色描述构建SRQA数据集进行微调。 论文为预印本、仍在审稿中，含27页、7图，并警告包含有害与有毒语言示例；其“更稳健可泛化”的结论来自作者自述，尚未经同行评审确认。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。