概念over-alignment / 过度谨慎 / over-refusal
过度对齐
AI安全领域术语，指大语言模型因训练数据或评估标准过于保守，导致模型拒绝合理请求、回避正常表达或对无害指令附加说教的现象，是对齐目标函数设定偏差的产物
核心事实
时间轴 (近 90 天)
9月28日
当对齐训练的惩罚信号过强，模型会趋向于宁可少说绝不出错的保守策略，导致回答冗长、前置免责、绕圈子，这种现象被称为过度对齐或对齐税
待验证50%
9月17日
强化无害性可能导致模型出现过度拒绝（Over-refusal）而牺牲有用性
已验证75%