该论文针对当前大模型安全对齐流水线的一个结构性缺陷：训练与评估只评判模型的最终答案，因此无法区分「真正稳健的拒答」与两类不良捷径——(1) 对良性请求的一律拒答（过度拒答），(2) 理由写得漂亮、看似安全但并未真正约束答案的「不忠实安全解释」。作者提出 AUDITPLAN，一种单模型「先承诺、后回答」（plan-then-answer）的对齐范式：模型在给出答案前，先输出一份紧凑的结构化安全计划，计划中包含威胁标签、意图采取的动作以及显式约束条件；答案必须以该计划为条件生成。计划在部署时对终端用户不可见，但格式规整、可被机器自动校验，从而提供可审计性。训练上分为两个阶段：先做监督微调（SFT）让模型学会产出结构化安全计划，再进行强化学习，并使用 FAITHGATE 这一奖励门控目标——只有当安全计划本身正确时，才把答案层面的奖励发放给模型。这一机制惩罚了「表面安全但不忠实」的行为，促使计划与答案之间形成更紧的耦合关系。实验在多个 Qwen 骨干模型上进行：在 Qwen2.5-3B-Instruct 上，FAITHGATE 将攻击成功率（ASR）从 24.0% 降至 11.6%，安全理由不忠实率（LSR）从 1.0% 降至 0.36%，过度拒答率从 11.0% 降至 2.0%，优于仅基于答案的强化学习、自由形式解释以及加权求和式结构化奖励等基线；Qwen2.5-1.5B-Instruct 上呈现相同趋势。作者还在更大模型 Qwen-3-4B-Instruct 和 Qwen2.5-7B-Instruct 上做了验证性实验，趋势保持一致，说明显式的内部承诺（先写计划再作答）能够让安全对齐同时变得更忠实、更稳健、更可审计。该工作适合研究 LLM 安全对齐、模型审计与合规评估的读者。