Исследователи Multiverse Computing в статье «Safety for Whom?» критикуют текущие методы обеспечения безопасности ИИ, основанные на блокировке целых тем (например, «политика» или «оружие»). По их мнению, такой подход приводит к избыточным отказам, когда модель блокирует полезные запросы из-за наличия в них «опасных» слов. Авторы предлагают фокусироваться на границах внутри тем, используя пары запросов, которые различаются только намерением пользователя. В ходе экспериментов с моделью Qwen3-8B команда применила стратегию «ремонта покрытия» (escalating retry strategy), которая позволила сократить долю отбракованных данных при обучении с 19,88% до 0,20%. Добавление верифицированных безопасных примеров с «опасной» лексикой помогло снизить уровень ложных отказов на тестовом наборе XSTest с 74% до 5,20% при сохранении высокой эффективности блокировки вредоносного контента. Авторы подчеркивают, что оценку безопасности моделей необходимо проводить одновременно по обоим критериям: уровню блокировки вредоносного контента и уровню избыточных отказов на безопасных запросах.