拒絕行為（refusal behavior）

拒絕（refusal）就是模型那句「我無法協助這件事」的回應：一次刻意的婉拒，通常附上簡短理由，有時還給個比較安全的替代方案。它是安全訓練最外顯的表面。模型主要透過在示範與偏好上微調，被形塑成能辨認某些傷害類別的請求，並以婉拒、而非完成來回應。做得好，拒絕會具體而尊重；做得差，就成了說教式、罐頭般的訓話，惹惱了正當的使用者。

校準拒絕之所以真的很難，是因為兩個方向都有代價。太容易拒絕，就會「過度拒絕」（over-refusal）：模型回絕一道化學作業題、一位資安從業者的正當請求、或只是提到敏感主題的小說，侵蝕了有用性與信任。太少拒絕，就會「拒絕不足」（under-refusal）：它幫了那種真的該被擋下的罕見請求。模型必須僅憑文字判斷意圖與脈絡，而那正是連講道理的人都會各執一詞的模糊爭議地帶。

拒絕本身也是一個研究對象。可解釋性（interpretability）的研究發現，模型「拒不拒絕」可能對應到一個出奇簡單的內部方向（direction），這既解釋了為什麼一個小小的對抗性推力就能把拒絕翻成照辦，也指向更穩健的控制方式。更深的啟示是：拒絕反映的是「被訓練出的行為」，而非「知識的缺席」——模型其實仍知道那個它婉拒給出的答案。