Safety Chain-of-Thought：用主动安全推理增强模型越狱防御

SCoT 将安全推理前置到生成过程，让模型先评估请求意图与危害再决定是否拒答。作者用带安全思维链标注的指令数据微调模型，在 GCG、角色扮演、多步社会工程和低资源语言等越狱攻击上防御成功率普遍提升，分布外攻击增益最大，正常任务表现未显著下降。作者指出该方法依赖安全分类体系的覆盖度，透明的推理前缀也可能被攻击者利用。