CR4T：基于重写的青少年大语言模型安全护栏

# CR4T：基于重写的青少年大语言模型安全护栏
来源：https://arxiv.org/html/2605.21609

###### 摘要

大型语言模型（LLMs）正越来越多地融入青少年的数字环境，在信息搜索、咨询和情感敏感互动中充当媒介。然而，现有安全机制仍大多基于以成人为中心的规范，并通过以拒绝为导向的抑制来运行安全策略。这类方法虽能减少即时违规，却可能造成对话死胡同，限制建设性引导，且未能应对青少年与AI互动中固有的发展脆弱性。我们认为，青少年LLM安全问题不应仅被框定为过滤问题，而应是一个社会技术性、与发展阶段相符的**转换问题**。为将这一视角付诸实践，我们提出**Critique-and-Revise-for-Teenagers (CR4T)**，一个模型无关的安全保障框架，能有选择地将不安全或拒绝式输出重构为适龄、以引导为导向的回复，同时保留良性意图。CR4T结合轻量级风险检测与基于领域的条件重写，以消除风险加剧内容、减少不必要的对话中断，并引入与发展阶段相符的引导。实验结果表明，有针对性的重写能显著减少不安全与拒绝式结果，同时避免对可接受交互进行不必要的干预。这些发现表明，对面向青少年的LLM系统而言，选择性回复重构比以拒绝为中心的安全护栏提供了一种更人性化的替代方案。

## 引言

自ChatGPT等基于聊天机器人的大型语言模型（LLMs）问世以来，生成式AI系统已迅速融入日常数字实践。青少年是这一转变的积极参与者：约三分之二的美国青少年表示使用过AI聊天机器人，近三分之一每天使用（皮尤研究中心，2025 (https://arxiv.org/html/2605.21609#bib.bib14)）。除了作业辅助和信息搜索，青少年越来越多地将这些系统用于咨询类、情感敏感及与个人相关的问题（Yu等人，2025a (https://arxiv.org/html/2605.21609#bib.bib21)；Eira等人，2025 (https://arxiv.org/html/2605.21609#bib.bib24)；Yu等人，2025c (https://arxiv.org/html/2605.21609#bib.bib27)）。随着生成式AI系统嵌入教育、社交和情感支持场景，它们日益不仅是信息工具，更是互动代理，塑造着青少年寻求指导、解读反馈以及应对敏感情境的方式。

青少年被广泛视为数字环境中的脆弱群体，需要量身定制的安全保护（Fleming等人，2006 (https://arxiv.org/html/2605.21609#bib.bib25)）。然而，当代LLM护栏仍基于成人为中心的假设和通用的审核政策（Yu等人，2025b (https://arxiv.org/html/2605.21609#bib.bib16)）。大多数安全系统通过二元审核流程来运作安全，包括硬拒绝和事后过滤（Dong等人，2025 (https://arxiv.org/html/2605.21609#bib.bib15)；Han等人，2024 (https://arxiv.org/html/2605.21609#bib.bib17)；Yuan等人，2024 (https://arxiv.org/html/2605.21609#bib.bib22)）。这些机制虽能有效执行政策边界，但主要将安全框架化为内容过滤，往往忽视了青少年与AI互动中固有的发展与情感脆弱性。

这一局限性尤为重要，因为青少年AI安全涉及的不只是防止显性有害内容。先前研究表明，未成年人表现出更高的过度信任、情感依赖以及将AI系统拟人化解读的倾向（Kurian，2025a (https://arxiv.org/html/2605.21609#bib.bib23)）。因此，对话框架、关系语气和互动连续性可能显著影响青少年用户如何解读和回应AI生成的引导。在心理健康、人际冲突或危险行为等情感敏感情境中，突然的对话中断可能会关闭支持性引导、安抚或适龄指导的机会（Eira等人，2025 (https://arxiv.org/html/2605.21609#bib.bib24)；Jiao等人，2025 (https://arxiv.org/html/2605.21609#bib.bib48)；Kurian，2025a (https://arxiv.org/html/2605.21609#bib.bib23)）。

对于青少年用户，优先压制而非建设性引导本身可能带来可衡量的**安全代价**（Rath等人，2025 (https://arxiv.org/html/2605.21609#bib.bib18)）。以拒绝为导向的回复（例如，"我无法回答这个问题"）可能中断求助互动，降低对话效用，并为脆弱用户制造死胡同。因此，现有安全系统的局限性不仅来自不安全生成，也来自有害的不参与——过度严格的审核压制了澄清、心理教育和更安全的对话恢复的机会。这些局限性表明，青少年LLM安全不应仅被视为过滤问题，而应是一个要求**发展适应性**的社会技术**交互设计挑战**。

与其普遍压制不安全内容，面向青少年的安全系统应有选择地将有问题的回复转换为发展适配的交互，保留信息意图的同时嵌入保护性引导。此类系统必须平衡相互竞争的因素：减轻发展风险而不压制求助行为，保持对话连续性而不使不安全行为正常化，提供支持而不变得过于严格。这些张力在面向青少年的场景中尤为突出，因为用户可能表现出更高的情感脆弱性和对AI系统的非对称信任（Kurian，2025a (https://arxiv.org/html/2605.21609#bib.bib23)）。

为应对这些挑战，我们引入**CR4T**（Critique-and-Revise-for-Teamers），一个面向青少年LLM交互的发展适配安全保障框架。CR4T作为模型无关的生成后处理层运行，有选择地将不安全或拒绝式回复重构为更安全、以引导为导向的替代方案，同时保留对话效用和意图。CR4T不单纯依赖压制，而是强调支持性干预和建设性的对话恢复。

更广泛地说，本文认为青少年AI安全应被视为一个社会技术治理问题，而非仅仅是政策执行任务。通过聚焦发展适配的交互设计，CR4T旨在为脆弱的青少年群体支持更安全、更人性化的对话体验。

本文做出以下**关键贡献**：(1) **关于青少年LLM安全的社会技术视角**。我们将青少年LLM安全重新概念化为一个发展适配的交互设计问题，而非纯粹以拒绝为导向的审核任务，强调对脆弱青少年群体的建设性引导和对话连续性；(2) **CR4T：发展适配的安全保障框架**。我们提出CR4T，一个基于选择性重写的框架，将不安全或拒绝式输出重构为发展适配、以引导为导向的替代方案，同时保留对话效用和信息意图；(3) **选择性对话干预的评估**。我们引入一个评估框架，衡量对话风险缓解、拒绝行为、发展适配性、建设性引导和信息价值，表明有针对性的干预能减少不安全与拒绝式结果，同时比通用重写策略保持更多支持性和信息性交互。

通过将青少年LLM安全重新框定为**发展适配的回复重构问题**，本文推动了面向青少年的生成式AI系统更人性化、更关注年龄因素的安全机制。

## 相关工作

### LLM护栏与安全对齐

LLMs在面向公众系统中的广泛部署加剧了对有害、操纵性或违反政策输出的担忧。先前研究表明，即使经过安全对齐的模型仍易受对抗性提示和越狱攻击（Wei等人，2023 (https://arxiv.org/html/2605.21609#bib.bib32)）。作为回应，护栏系统作为外部安全层出现，在无需修改核心模型参数的情况下监控和调控模型交互（Dong等人，2025 (https://arxiv.org/html/2605.21609#bib.bib15)）。

大多数已部署的安全系统遵循检测+执行范式，由安全分类器根据预定义的有害类别评估提示或模型输出，并在检测到违规时触发过滤或拒绝。诸如LlamaGuard（Inan等人，2023 (https://arxiv.org/html/2605.21609#bib.bib30)）、WildGuard（Han等人，2024 (https://arxiv.org/html/2605.21609#bib.bib17)）和ShieldGemma（Zeng等人，2024 (https://arxiv.org/html/2605.21609#bib.bib31)）等系统通过跨多个安全领域的分类器审核体现了这一方法。

尽管对政策执行有效，以拒绝为中心的审核引入了重要的社会技术局限性。二元压制策略可能破坏对话连续性，降低信息效用，并关闭建设性引导或支持性引导的机会。此外，大多数现有安全政策是为一般受众设计的，很少考虑特定人群的脆弱性或发展不对称性。结果，对话安全往往被运作化为一个通用过滤问题，而非情境感知的交互设计挑战。在面向青少年的场景中，这种以拒绝为导向的审核可能无意中压制求助行为，并在情感敏感交互中导致有害的对话不参与。

### 基于重写的安全保障

除了以拒绝为基础的审核，近期工作探索了生成后干预策略，将不安全输出转换为更安全的替代方案（Dong等人，2025 (https://arxiv.org/html/2605.21609#bib.bib15)）。这些方法将安全框架化为一个受控的回复生成问题，使用重写、迭代优化或解码层引导来保持对话连续性的同时减轻有害内容（Zhang等人，2025 (https://arxiv.org/html/2605.21609#bib.bib34)；Zou等人，2024 (https://arxiv.org/html/2605.21609#bib.bib35)；O'Brien等人，(https://arxiv.org/html/2605.21609#bib.bib36)）。基于解释的方法进一步尝试诊断不安全生成模式，并实现有针对性的对话转向（Lee等人，2025 (https://arxiv.org/html/2605.21609#bib.bib37)）。

与二元过滤相比，基于重写的干预提供了更细腻的安全机制，通过有选择地修改有害内容同时保留有用的信息意图。这支持比突然对话中断更具引导导向的交互，改善了对话连续性和交互质量。

然而，现有的重写和引导框架大多领域无关。它们大多基于宽泛的政策分类和通用安全目标，并未明确建模年龄相关的脆弱性、关系动态或非对称信任模式。因此，这些方法为面向青少年交互中的发展适配干预提供的支持有限，而在这些交互中，对话框架和支持性引导可能显著影响用户的解读和福祉。

### 以青少年为中心的LLM安全

近期研究引入了以青少年为中心的分类法和评估框架，以表征LLMs对未成年人构成的风险（Yu等人，2025a (https://arxiv.org/html/2605.21609#bib.bib21)；Rath等人，2025 (https://arxiv.org/html/2605.21609#bib.bib18)；Jiao等人，2025 (https://arxiv.org/html/2605.21609#bib.bib48)；Khoo等人，2025 (https://arxiv.org/html/2605.21609#bib.bib47)；Murali等人，2025 (https://arxiv.org/html/2605.21609#bib.bib19)）。这些研究识别了青少年特定的脆弱性，包括涉及诱骗行为、不适龄影响、情感依赖以及边界设定失败等问题。

补充性工作表明，未成年人可能对AI系统表现出更高的过度信任和情感依赖（Jiao等人，2025 (https://arxiv.org/html/2605.21609#bib.bib48)；Kurian，2025a (https://arxiv.org/html/2605.21609#bib.bib23), b (https://arxiv.org/html/2605.21609#bib.bib38)；Yu等人，2025c (https://arxiv.org/html/2605.21609#bib.bib27)）。这些发现表明，青少年AI安全不仅是审核问题，也是涉及情感脆弱性和互动框架的关系挑战。

尽管在青少年特定风险表征方面取得了进展，大多数先前工作仍以评估为重点。相比之下，很少研究探讨如何将不安全或拒绝式回复转换为发展适配、以引导为导向的交互。这造成了识别青少年对话风险与设计面向年龄感知干预和对话恢复的运作化安全机制之间的差距。

### 迈向发展适配的安全保障

现有安全系统主要通过使用为通用部署设计的粗粒度审核策略，以检测和拒绝来运作安全。尽管对执行政策边界有效，这些方法可能无法充分支持青少年用户在咨询类或情感敏感场景中的需求。

近期的重写和引导方法展示了生成后干预在改善对话安全性和可控性方面的潜力。然而，这些方法很少将青少年特定脆弱性或心理教育因素纳入安全保障过程。结果，面向青少年用户的发展适配且人性化的安全机制仍未被充分探索。

我们的工作通过将青少年LLM安全框定为一个以支持性引导和建设性对话恢复为中心的社会技术交互设计问题，而非仅以拒绝为导向的压制，从而填补了这一空白。

参见图注

图1：CR4T框架概述。该流程首先执行青少年特定领域分类并生成初始LLM回复。然后通过安全和拒绝检测判断是否需要干预。安全的回复直接输出，而不安全或拒绝式的输出则通过基于领域的条件重写有选择地重构为支持性的、发展适配的替代方案。CR4T强调选择性干预、对话连续性和建设性引导，而非僵化的对话中断。

## 提出的方法：CR4T

我们引入**Critique-and-Revise-for-Teamers (CR4T)**，一个面向青少年LLM交互的发展适配安全保障框架。CR4T将青少年对话安全形式化为一个结构化的回复重构问题，而非拒绝导向的审核任务。作为模型无关的生成后处理层运行，CR4T有选择地修改不安全或拒绝式的输出，以减少发展风险，同时保持对话连续性和信息效用。

CR4T的关键模块如下所述。图1 (https://arxiv.o