强制字母输出会抑制拒绝行为：来自WMDP数据集的机制证据

据这篇预印本作者报告：大语言模型的安全基准测试经常依赖多项选择题（MCQ）格式，但先前的研究表明这种格式会抑制模型的拒绝行为。该预印本论文以Llama-3.1-8B和Qwen3-8B模型及“大规模杀伤性武器代理（WMDP）”数据集为对象，首次对这一现象做出了机制性解释。研究人员利用调谐镜头（tuned lens）技术发现，模型在处理MCQ时会非常迅速地确定答案字母标记，这与开放式问答中拒绝行为逐渐累积的过程形成鲜明对比。此外，MCQ格式下的激活状态距离内部拒绝方向大约远三倍。消融携带MCQ答案的注意力头会增加拒绝率，这直接证明了答案选择机制与拒绝机制之间存在竞争关系，且答案选择会覆盖安全拒绝。这意味着MCQ安全基准测试主要衡量的是原始知识能力，而非真正的对齐或安全态势。作为一篇预印本，该研究的代码发布和独立复现对于充分验证这些内部激活结论至关重要。