Tag
该论文提出SSRFT（Supervised Safe-Role Fine-Tuning），首次将安全对齐重新定义为内化预定义安全角色的过程，而非显式拒绝模式，在多种模型上实现了比标准SFT更鲁棒、更可泛化的安全对齐效果，并降低了对良性查询的过度拒绝。