研究提出“窄边界安全”框架，提升大模型在特定话题内的精细化拒绝能力

OmniTools 9月8日消息，Multiverse Computing团队在Hugging Face博客发布新研究《Safety for Whom? Boundary-Aware Self-Distillation for Controlled LLM Safety Refusal》，提出“窄边界安全”（narrow-boundary safety）概念，挑战当前主流的“话题级安全”范式。

该研究指出，现有安全对齐方法（如LlamaGuard-3）常将整类话题（如政治、武器）标记为高风险，导致模型对合法提问（如选举事实查询）也错误拒绝。而实际部署中，同一基础模型需在相同话题下区分有害子集（如政治操纵请求）与良性子集（如公民教育问答），要求更细粒度的拒绝边界。

团队以政治领域为测试场景，构建了基于意图差异的成对提示数据（同一话题锚点、仅意图不同），并设计覆盖修复、表面危险但良性的补偿数据、以及边界感知评估机制。在Qwen3-8B模型上验证显示：引入良性边界数据可将边界附近误拒率从32.94%降至4.16%，同时有害拒绝率仅微降（91.88%→87.72%）。