ALTSTEER: Pengarahan Keamanan Selektif untuk Melampaui Penolakan Kaku menuju Alternatif Konstruktif

Penyelarasan keamanan sangat penting untuk menerapkan large language model (LLM), yang menuntut sistem untuk mencegah kepatuhan berbahaya sekaligus mempertahankan kegunaan pada permintaan baik. Pengarahan aktivasi menawarkan pendekatan waktu inferensi tanpa pelatihan untuk kontrol keamanan, tetapi pengarahan keamanan yang efektif memerlukan penanganan dua pertanyaan yang saling terkait: **kapan harus melakukan intervensi** dan **bagaimana generasi harus dibentuk setelah intervensi**. Metode pengarahan keamanan yang ada masih terbatas pada kedua dimensi tersebut: mekanisme pemicunya dapat tidak stabil lintas domain, dan pengarahan yang berorientasi penolakan sering menghasilkan penolakan kaku alih-alih panduan aman yang konstruktif. Untuk mengatasi keterbatasan ini, penulis mengusulkan ALTSTEER, kerangka kerja waktu inferensi yang menggabungkan intervensi selektif dengan pengalihan konstruktif berjangkar penolakan dalam satu lintasan inferensi. Karya ini menyasar celah praktis: melampaui penolakan kaku menuju alternatif konstruktif sambil mempertahankan utilitas baik.

Evaluasi pada Llama-3.1 dan Qwen2.5 menunjukkan bahwa ALTSTEER mempertahankan utilitas baik sekaligus meningkatkan perilaku penyelesaian aman yang konstruktif, terutama pada model yang cenderung menghasilkan penolakan singkat untuk permintaan berbahaya. Penulis melaporkan bahwa ALTSTEER mencapai keseimbangan yang lebih baik antara keamanan dan kegunaan dibandingkan metode pengarahan baseline. Secara khusus, pada model yang rentan terhadap penolakan singkat, ALTSTEER meningkatkan tingkat penyelesaian aman yang konstruktif tanpa menurunkan kinerja secara signifikan pada tugas-tugas baik. Abstrak tidak menyediakan nilai numerik spesifik, tetapi hasil kualitatif menunjukkan peningkatan yang konsisten pada model-model yang dievaluasi.