提出SSRFT框架实现LLM安全对齐

发生了什么

据arXiv cs.AI论文，研究团队提出SSRFt（监督安全角色微调）框架，将安全对齐重构为预定义安全角色的内化。该框架构建Safe-Role Question-Answer数据集，使模型内化安全价值观而非显式拒绝模式。实验表明，SSRFt在多个Base和Instruct模型上比标准SFT具有更鲁棒和可推广的安全对齐效果，对预填充攻击更具鲁棒性，并减少良性查询的过度拒绝。