**安全为谁？边界感知自蒸馏实现可控LLM安全拒绝**

_Safety for Whom? Boundary-Aware Self-Distillation for Controlled LLM Safety Refusal_

> 该论文提出了一种边界感知自蒸馏框架，用于控制大语言模型的安全拒绝行为。研究指出，安全对齐不应仅停留在话题层面，而需根据具体应用场景设定更精细的边界。实验显示，通过Escalate策略训练，目标域拒绝率从9.47%提升至84.75%，不安全响应率从26.26%降至0.14%，但XSTest过度拒绝率从2%升至74%。研究强调数据组成可调控安全与可用性的权衡，安全对齐需在预期拒绝边界的两侧进行评估。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-08 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.04482)