arXiv · Artificial Intelligence· Jinghao Pang, Jitai Hao, Qiang Huang, Zhaochun Ren, Jun Yu·2026-10-07 12:00· 3 小时前AI 评分30

SSRFT：把安全对齐重构为安全角色内化，超越拒绝模式

Beyond Refusal Patterns: Safe-Role Internalization for Robust and Generalizable LLM Safety Alignment

AI 导读

SSRFT（Supervised Safe-Role Fine-Tuning）把 LLM 安全对齐重构为预定义安全角色的内化，而非依赖显式拒绝模式。它用心理测量问题、少量 jailbreak 提示与安全角色描述构建 SRQA 数据集，合成并扩展角色一致回复。