false-refusals

标签

#false-refusals

以不拒绝拒绝：语言模型安全微调中减少错误拒绝的结构性分析

Hugging Face Daily Papers ↗ · 2026-09-04 缓存

本文分析了大型语言模型的安全微调，表明将回应分解为拒绝声明与理由后，仅使用理由进行训练可减少错误拒绝同时保持安全性，从而改善实用性与安全性之间的平衡。

0 人收藏 0 人点赞

← 返回首页

提交意见反馈