通过分布基础细化缓解大推理模型中的安全税

安全对齐会导致“安全税”，干扰大推理模型（LRM）的通用推理能力。现有方法使用的数据集通常源自外部模型或人工标注，与目标模型存在分布差距，导致推理能力显著下降。本文提出分布基础细化（DGR）方法，将现有安全推理数据集转换并细化以匹配目标模型的内部数据分布。实验表明，DGR 在保持安全性能的同时有效缓解了安全税，平均推理准确率显著提升。研究发现，推理退化程度与分布偏移相关，且少量样本即可激活潜在的安全拒绝行为，强调了分布一致性对保留推理能力的重要性。