安全为谁而设？边界感知自蒸馏实现话题内精准拒绝

Hugging Face 新论文提出边界感知自蒸馏方法，解决模型安全对齐中"话题级拒绝"过于粗糙的问题。该方法通过升级重试策略将训练数据覆盖率从丢失 19.88% 提示词降至 0.20% 残差失败。