通过验证在大型推理模型中内化安全理解

显式思维链虽赋能大型推理模型，却易生成高风险答案。现有对齐范式多依赖外部强制合规，缺乏内在安全理解。本文提出 Safety Internal 框架，仅通过安全验证任务训练模型，利用专家推理轨迹批判自身输出，从而内化安全规范。研究表明，学习验证能显著提升对域外越狱攻击的鲁棒性。结合强化学习时，该方法比标准监督微调提供更优初始化，证明内化安全理解比单纯模仿安全行为更能奠定坚实的对齐基础。