超越拒绝模式：通过安全角色内化实现鲁棒且可泛化的 LLM 安全对齐

研究人员提出首个将安全对齐重构为预定义安全角色内化的框架 SSRFT。该方法通过构建 SRQA 数据集，使模型内化安全导向的价值观与原则，而非单纯依赖显式拒绝模式。在多种 Base 与 Instruct 模型上的实验表明，SSRFT 相比标准 SFT 能更有效防御 prefilling 攻击，提升在未知越狱领域的泛化能力，并减少对良性提示词的过度拒绝。