التهرُّب

ميل النماذج المُدرَّبة على السلامة إلى رفض الخوض في المواضيع الحسّاسة كلياً بعبارات جاهزة مثل «لا أستطيع الإجابة»، بدلاً من الشرح المُتعقِّل لأسباب الرفض.

The tendency of safety-trained models to refuse to engage with sensitive topics entirely using canned phrases like 'I can't answer that', instead of thoughtfully explaining why.