EVENT DOSSIER
针对大语言模型在特定领域部署时过度拒绝无害内容的问题，Hugging Face 团队提出“边界感知自蒸馏”方法。该研究指出，仅关注有害响应率最低的配置会导致高达 74% 的无害提示被错误拒绝。为此，研究者构建了结合受控主题生成、覆盖修复及有害 - 良性配对数据的离线自生框架，并在 Qwen3-8B 模型上进行训练。实验表明，通过加入边界对数据，将此类误拒率从 32.94% 显著降至 4.16%，同时保持真实拒答率基本不变。对比实验进一步验证，用验证后的目标模型响应替换外部响应可将过度拒答率大幅降低。研究强调，安全对齐不能仅看有害响应率，必须在意图拒答边界的两侧进行评估，以调节安全与可用性的权衡。
arXiv:2609.04482v1 Boundary-Aware Self-Distillation framework 提出边界感知自蒸馏框架
针对同一主题下不同部署场景需设定差异化安全边界的问题，研究者提出了一种结合受控主题生成、覆盖修复及有害 - 良性配对数据的离线自生框架。在 Qwen3-8B 模型上训练后，目标领域拒答率从 9.47% 提升至 84.75%，三项广泛有害性…
Hugging Face 团队提出“边界感知自蒸馏”方法，旨在训练大语言模型仅拒绝特定有害内容而非整个话题。研究指出，仅关注有害响应率最低的配置会导致 74% 的无害提示被错误拒绝；通过加入有害 - 无害边界对数据，将此类误拒率从 32.…
针对同一主题下不同部署场景需设定差异化安全边界的问题，研究者提出了一种结合受控主题生成、覆盖修复及有害 - 良性配对数据的离线自生框架。在 Qwen3-8B 模型上训练后，目标领域拒答率从 9.47% 提升至 84.75%，三项广泛有害性基准的平均不安全响应率降至 0.14%，但 XSTest 过度拒答率升至 74.00%。对比实验显示，用验证后的目标模型响应替换外部响应可将过度拒答率从 15.20% 降至 5.20%；边界配对数据使保留侧过度拒答率从 32.94% 降至 4.16%，而有害侧拒答率仅从 91.88% 微降至 87.72%。结果表明，数据构成可调节安全与可用性权衡，且安全对齐需在意图拒答边界两侧进行评估。
Hugging Face 团队提出“边界感知自蒸馏”方法，旨在训练大语言模型仅拒绝特定有害内容而非整个话题。研究指出，仅关注有害响应率最低的配置会导致 74% 的无害提示被错误拒绝；通过加入有害 - 无害边界对数据，将此类误拒率从 32.94% 降至 4.16%，同时真实拒答率基本不变。该工作强调，安全对齐不能仅看有害响应率，必须评估并控制有害与无害边界的权衡。