機制證據顯示：強制選擇題格式會抑制大模型的拒絕回答能力

研究針對大語言模型安全評估中多選題（MCQ）格式導致拒絕回答率下降的問題，對 Llama-3.1-8B 與 Qwen3-8B 進行機制分析，並使用包含生物安全 1,273 筆、化學安全 408 筆、網路安全 1,987 筆樣本的 Weapons of Mass Destruction Proxy (WMDP) 數據集驗證。

分析顯示，MCQ 格式下模型會快速鎖定答案字母，致使拒絕機率顯著降低。透過 tuned lens 技術發現，Llama-3.1-8B 在層數 15–18 之間、Qwen3-8B 在層數 22–25 之間，模型會快速承諾一個答案字母 token，此時拒絕信號尚未形成；相較之下，開放式格式中的拒絕 token 概率是逐漸累積的。幾何分析進一步指出，MCQ 格式下的模型激活狀態距離「拒絕方向」約為開放式格式的 3 倍遠，表明 MCQ 格式抑制了與拒絕相關的表示和計算路徑。

注意力機制（attention heads）的消融實驗提供了因果證據。在 Llama-3.1-8B 上，移除負責 MCQ 答案選擇的注意力頭會降低正確字母的概率，並使拒絕代理（refusal proxy）重新出現，直接證明 MCQ 的答案選擇機制與拒絕行為存在競爭關係。研究指出，MCQ 評估中的安全分數主要測量的是危險知識的檢索能力，而非安全機制的激活情況。