Failure-First AI Safety Daily：机制可解释性转向可操作干预，推理模型存在“拒答悬崖”

机制可解释性正从描述内部结构转向指导安全干预。Zhang 等人的综述《Locate, Steer, and Improve》提出定位、引导、改进三步框架；Yin 等人发现推理模型存在“拒答悬崖”，据此提出 Cliff-as-a-Judge 数据选择法；Luo 等人的 CRAFT 在 Qwen3-4B-Thinking 与 R1-Distill-Llama-8B 上取得优于仅用 RLHF 基线的安全表现，同时保留推理能力。