arXiv cs.AI· Jinghao Pang, Jitai Hao, Qiang Huang, Zhaochun Ren, Jun Yu·· 11 小时前AI 评分27
SSRFT：将安全对齐重构为安全角色内化的 LLM 安全框架
Beyond Refusal Patterns: Safe-Role Internalization for Robust and Generalizable LLM Safety Alignment
AI 导读
研究者提出 SSRFT（Supervised Safe-Role Fine-Tuning），首个将安全对齐重构为"内化预设安全角色"的框架，通过心理测量问题、少量越狱提示词和安全角色描述构建 SRQA 数据集，让模型内化安全价值观而非显式拒绝模式。
来源：arXiv cs.AI · arxiv.org