对齐税：安全会让模型变笨吗

引言

用过现在的大模型的人，多少都遇到过这种情况：问一个完全正当的问题，模型却拐弯抹角地拒绝，或者给出一串滴水不漏的片汤话。模型变安全了，这是事实；但很多人也感觉它变“怂”了，创造力不如以前。这中间的差价，有个专门的名字：对齐税。意思是，为了让模型对齐人类价值观、变得安全无害，人们付出了一部分能力作为代价。这笔税到底交得值不值，值多少，是理解今天大模型状态的一把钥匙。

什么是对齐税

对齐的办法，主要是训练模型在面对敏感问题时拒绝、回避或给出安全回答。这套训练的副作用是，模型学会了一种“一刀切”的谨慎：不确定的先拒绝，有争议的先中立，需要发挥的先收敛。久而久之，模型在安全问题上得了高分，在开放性、创造性和解决复杂问题的能力上却丢了分。研究者把这种能力损失叫做对齐税，它不是某个人的抱怨，而是可以量化的现象：同一批模型，对齐前后的测试成绩会出现系统性的差距。

拒绝过度的毛病

对齐税最直观的表现是拒绝过度。模型分不清“讨论”和“教唆”的界限，于是宁可错杀也不放过：问怎么写悬疑小说里的犯罪情节，它拒绝；问历史上的战争细节，它含糊其辞；问一句带点争议的社会问题，它先声明立场再回答。对用户来说，这种过度谨慎比直接答错更磨人：答错了还能纠正，拒绝了连讨论的起点都没有。更微妙的是，拒绝本身也在传递一种态度：模型在替用户判断什么该想、什么不该想。

创造力也在收窄

对齐税的另一个去处是创造力。安全训练倾向于奖励“最不会出错”的回答，而最不会出错的回答往往也是最平庸的回答：结构工整、观点中立、措辞圆滑。写诗像说明文，讲故事像工作总结，提建议像免责声明。这不是模型没有创造力，而是训练信号在告诉它：出彩有风险，平庸最安全。长期下来，模型的回答越来越像同一个模子刻出来的，用户的新鲜感也就越来越少。

能不能既安全又聪明

好消息是，对齐税不是固定税率。行业正在尝试把“一刀切”换成更精细的办法：按场景分级，医疗、法律这类高风险场景严一点，创意写作这类低风险场景松一点；按用户分层，明确身份和用途之后放宽限制；把拒绝换成“有条件的回答”，先讲清楚边界，再在边界内尽量帮忙。还有一种思路是把安全判断从模型内部抽出来，交给专门的审核层，让主模型专心把事做好。这些办法的共同点是：安全不应该由模型一个人扛，也不应该以牺牲能力为代价。

税交给了谁

对齐税还有一层容易被忽略的含义：它不只是能力的损失，也是权力的转移。谁来定义“安全”，谁就决定了模型能说什么、不能说什么。不同国家、不同平台的标准不一样，同一个问题在不同模型那里的答案可能完全不同。对齐税交多少、交给谁，本质上是一个公共议题，而不是纯技术问题。用户需要知道的是：模型拒绝你的时候，拒绝的到底是风险，还是某个标准下的“不合适”。

结尾

对齐税的存在，说明安全和能力之间确实存在张力，但这个张力不是无解的。今天的模型偏谨慎，是因为行业还在用最粗糙的办法交这笔税。随着分级、解耦和场景化对齐的成熟，税率会慢慢降下来。理想的模型不是最大胆的，也不是最谨慎的，而是知道什么时候该大胆、什么时候该谨慎的。交税不可怕，可怕的是把交税当成理所当然，再也不问这笔税该交多少。