研究揭示选择题格式抑制拒答的机制

Stepan Epifantsev 等作者发表论文，在 WMDP 数据集上对 Llama-3.1-8B 和 Qwen3-8B 两个模型给出多选题格式降低拒答率的首个机制性解释：模型处理选择题时会迅速锁定答案字母 token，其激活距拒答方向约为开放式格式的 3 倍。 消融承载选择题答案的注意力头会提升拒答率，说明答案选择与拒答相互竞争。作者据此认为，选择题安全分数主要衡量知识能力，而非安全机制。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。