Từ chối quá mức là hiện tượng trong đó LLM xác định nhầm các câu hỏi và hướng dẫn an toàn là có hại và từ chối trả lời các câu hỏi lẽ ra có thể được trả lời.
Từ chối quá mức là thuật ngữ dùng để chỉ tác dụng phụ của việc điều chỉnh an toàn quá mạnh của mô hình, dẫn đến việc mô hình từ chối các câu hỏi không thực sự gây ra vấn đề, tạo mã và thông tin chung như thông tin y tế và pháp lý. Điều này được cho là có nhiều khả năng xảy ra hơn khi "các biểu hiện có khả năng gây hại" được học rộng rãi trong quá trình RLHF hoặc quá trình tinh chỉnh an toàn và được biết đến như một ví dụ điển hình về sự đánh đổi giữa độ chính xác và độ an toàn. Trong hoạt động thực tế tính đến năm 2026, ngày càng có nhiều công ty đưa "tỷ lệ từ chối" làm mục đánh giá khi lựa chọn mô hình, vì việc từ chối quá mức xảy ra thường xuyên trong các chatbot nội bộ và ứng dụng hỗ trợ khách hàng sẽ dẫn đến trải nghiệm người dùng suy giảm và tăng chi phí phản hồi yêu cầu. Phương pháp lựa chọn chung trong lĩnh vực này là so sánh nhiều mô hình bằng cách sử dụng điểm chuẩn có thể đo lường đồng thời tỷ lệ từ chối và tỷ lệ phản hồi bất lợi, điều chỉnh lời nhắc, làm rõ phạm vi được phép trong lời nhắc hệ thống và nới lỏng các lớp lan can khi cần thiết. Đơn giản là tăng cường bảo mật không nhất thiết là tốt hơn; từ góc độ thực tế, điều quan trọng là phải xác định trước các tiêu chuẩn về tỷ lệ từ chối chấp nhận được cho từng ứng dụng.