От жестких отказов к безопасным завершениям: к обучению безопасности, ориентированному на вывод

Обнаружено: LLM нового поколения перестали угадывать «зачем вы спрашиваете» и начали оценивать «безопасен ли мой собственный ответ». Это объясняет, почему модель может отказать на безобидный детальный вопрос и помочь на потенциально опасный общий. Метод Safe-Completions позволяет получать полезные ответы на запросы «двойного назначения» (кибербезопасность, биология, психология манипуляций) вместо жёсткого отказа. Модель работает в трёх режимах: полный ответ на безопасный запрос, частичный ответ на «серый» запрос, отказ на явно вредоносный. Ключевая механика: модель убирает из ответа «слишком действенные» (highly actionable) детали — конкретные пошаговые инструкции — но оставляет концепции, принципы, анализ рисков. Результат: на 40% меньше ложных отказов при сохранении уровня безопасности.