该论文提出 RISA（Response Inspection and Selective Actions），一种面向大型语言模型（LLM）的推理时拒绝行为校准框架。研究背景是：LLM 需要可靠地区分有害提示与良性提示，错误的拒绝行为要么导致有害内容被输出，要么错误地拒绝用户的有用请求。现有的训练时对齐方法需要更新模型参数，计算成本高；而推理时对齐方法（如上下文安全提示、激活引导、解码控制）大多在未检查初始响应是否已正确的情况下直接干预，可能破坏原本正确的拒绝或有用回答。针对这些问题，RISA 采取“先检查、后选择干预”的思路，在不更新底层模型的前提下，通过两步实现对拒绝错误的修正：第一步，使用固定的上下文规则为明确场景赋予拒绝分数；第二步，对规则未覆盖的场景，利用校准后的线性探针从最终层的提示隐藏状态中推导拒绝分数。为适应不同基础模型，RISA 分别校准探针分数、表示支持边界和动作阈值。运行阶段，RISA 将提示的拒绝分数与初始拒绝状态结合，通过动作策略仅在必要时进行干预。实验结果显示，RISA 能够提升拒绝可靠性，同时基本保持模型的有用性，为 LLM 中的响应感知拒绝校准提供了实用方案。该研究适合关注 LLM 安全对齐、推理时防御机制及红队评估的研究人员与安全工程师阅读。