为谁安全？拒绝话题的恰当子集，而非整个话题

判断

做政治类安全微调的团队，应把训练与验收单位从“政治”整类改成同一话题锚点下意图相对提示对；代价是边界附近的误拒和漏拒要同时压低很难，且部署方必须先声明允许拒绝哪一子集。

依据

Antonio Tiene、Alejo Lopez Avila、Iker García-Ferrero 在 Hugging Face 文章《Safety for Whom?》中提出，安全对齐不应把伤害当成话题属性，而应把同一话题切成“目标有害子集”和“良性补集”。他们用政治说服做测试床：同一话题锚点下配一对意图不同提示，一条该拒、一条该答；这样才能量出边界形状。机制上，按话题整类拦截的防护模型（topic-level guard，如 LlamaGuard-3）把选举只归为“选举制度与过程的错误信息”，既漏掉操纵/定向劝说，也误伤事实性提问；交叉熵训练提高有害子集的拒绝概率，还会把拒绝外溢到良性补集。作者审计自生成安全数据（self-generated safety tuning）时发现：单次生成静默丢弃 19.88% 提示，即 8,009 条；升级重试把残留失败压到 0.20%，即 79 条，修复后留下 40,293 条有害训练提示。为避免副作用，他们加入 11,955 条表层危险良性提示，覆盖 18 种语义类型；再用每侧 1,539 条留出配对测两侧边界。取舍是：话题级指标会把拒绝外溢当改进，所以验收必须同时看误拒与漏拒，并先由部署方定边界。