ThinkSafe：无需教师模型的推理模型自生成安全对齐

Seanie Lee 等作者提出并发布 ThinkSafe，一种无需外部教师模型的安全对齐方法：直接从冻结的学生模型生成安全对齐数据，通过拒绝引导激发安全推理，并用安全护栏过滤响应后离线微调。 作者在 DeepSeek-R1-Distill 和 Qwen3 上的实验显示，安全性能大幅提升，推理表现保持竞争力；在 Qwen3-0.6B 上，以约七分之一的实际耗时达到优于 GRPO 的安全效果和相当推理水平。代码、模型和数据集已开源。

AI 根据报道生成 · 46 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。