[논문리뷰] Policy Is Not Capability: Some Safety Benchmarks Measure Which Definition of 'Unsafe' You Trained On본 논문은 현대의 안전 벤치마크가 모델의 실제 Capability를 측정하는 것이 아니라, 학습 데이터에 반영된 특정 Policy의 정의를 얼마나 준수하는지를 측정하고 있음을 밝힌다.#Review#Guardrail#AI Safety Evaluation#Label Policy#Over-refusal#Benchmark Contamination#Steerability2026년 10월 19일댓글 수 로딩 중
[논문리뷰] Visual Grounding Safety in Vision-Language Models본 논문은 Vision-Language Models(VLMs)의 안전성 정렬이 텍스트 출력과 달리 행동 기반의 공간적 출력인 Visual Grounding에는 제대로 적용되지 않는다는 핵심 문제를 제기한다.#Review#Vision-Language Models#Visual Grounding#Safety Alignment#Mismatched Generalization#Fine-Tuning#Over-refusal2026년 10월 12일댓글 수 로딩 중
[논문리뷰] Safety for Whom? Boundary-Aware Self-Distillation for Controlled LLM Safety Refusal본 연구는 기존의 LLM 안전 정렬 방식이 주제 전체를 포괄적으로 거부하는 '블런트(Blunt)한 방식'으로 작동하여, 실제 배포 환경에서 필요한 세밀한 안전 정책을 반영하지 못하는 문제를 해결합니다.#Review#LLM Safety#Self-Distillation#Narrow-Boundary#Data-Coverage#Refusal Alignment#Over-refusal2026년 9월 7일댓글 수 로딩 중
[논문리뷰] Refuse without Refusal: A Structural Analysis of Safety-Tuning Responses for Reducing False Refusals in Language Models본 논문은 LLM의 안전 정렬(Safety Alignment) 과정에서 발생하는 False Refusal 문제를 데이터 구조적 관점에서 해결하고자 합니다.#Review#False Refusals#Safety Tuning#Large Language Models#Rationale-Only#Alignment#Over-refusal2026년 9월 6일댓글 수 로딩 중