新论文揭示选择题格式会机制性压制大模型拒答信号

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，指出 MCQ 使模型快速锁定选项字母，开放式格式则逐步累积拒答；MCQ 激活距拒答方向约达开放式的三倍。消融承担答案选择的注意力头可部分提高拒答。摘要结论：MCQ 安全分主要测知识能力而非安全机制，影响对 WMDP 等榜单的解读与 benchmark 设计。