新研究揭示选择题格式会系统性抑制大模型拒绝机制

2026年11月5日，论文《Forcing a Letter Suppresses Refusal: Mechanistic Evidence from WMDP》（arXiv:2611.08639）公布，已被 BlackboxNLP 2026 接收。作者在 WMDP 上对比 Llama-3.1-8B 与 Qwen3-8B：MCQ 使模型快速承诺选项字母，开放式格式则逐步累积拒答；MCQ 激活距拒答方向约为开放式的约三倍。消融承担答案选择的注意力头可提高拒答。摘要结论称 MCQ 安全分主要反映知识能力而非安全机制，影响 WMDP 等 MCQ 榜单在分级与合规场景中的解读。