arXiv 自然语言处理· Zesheng Shi, Xue Li, Chenrui Dai, Jing Li·· 4 小时前AI 评分38
识别、分类与行动：面向外部数据的大语言模型逐指令合规控制
Identify, Classify, Act: Per-Instruction Controlled Compliance for LLMs over External Data
AI 导读
研究人员提出大语言模型外部数据合规框架 EDIC，通过逐指令分解奖励机制化解提示词注入下的过度拒绝问题。该框架结合 SFT 与 GRPO 微调生成式裁判，分别奖励有益合规并惩罚有害合规用于强化学习训练。在两款基干模型与 5 项基准测试中，EDIC 在 Qwen3-4B 上将有害指令拒绝率最高提升 7.7%，同时将 Arena-Hard-Auto 效用评分提升 12.5%。
来源：arXiv 自然语言处理 · arxiv.org