Mitigating LLM Over‑Refusal via Dynamic Semantic Routing Calibration 论文笔记

# Mitigating LLM Over‑Refusal via Dynamic Semantic Routing Calibration 论文笔记 论文信息：arXiv:2609.25049｜EMNLP 2026 Main Conference｜作者：Zixuan Wang, Bingjie Zhang, He Zhao, Dandan Guo## 一、论文主要内容该论文针对经过安全对齐的大语言模型普遍存在的**过度拒绝（Over‑Refusal）**问题展开机理研究与算法设计。过度拒绝指模型错误拒绝本身无害、但和不安全提示存在词汇/语义重叠的合法用户指令（论文称为Hard‑Safe提示），会严重损害模型的可用性与推理能力。1. **机理分析**：过往研究大多把过度拒绝归因于静态表征空间的重叠，本文从Transformer注意力内部路由冲突角度做机理剖析。作者发现存在一小部分**高敏感安全注意力头（Hypersensitive Safety Heads）**，在处理Hard‑Safe无害提示时会异常激活；产生异常注意力纠缠，强行将无害实体绑定到拒绝语义上，引发高熵的路由冲突，目标实体得不到应有的注意力分配，最终触发错误拒绝输出。2. **方法提出**：提出**SRC（Semantic Routing Calibration，语义路由校准）**，是一套轻量、**无需重新训练、仅推理时生效**的框架。核心两步：①推理阶段精准定位并动态抑制高敏感安全头；②双分支Logits融合作为安全正则器，校正解码过程，恢复模型正常推理输出，不会破坏原有安全能力。3. **实验验证**：在多模型、多基准上开展大量实验，SRC可以有效缓解过度拒绝问题，同时尽可能保留模型原生的安全防御性能，在“减少误拒绝”和“拦