🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
大模型会一本正经地教人做坏事：怎么歧视某个群体、怎么骗取别人的隐私、怎么钻法律空子。为了让它“守规矩”，业界常用两种办法。一种是“宪法式对齐”：请人写一批原则，比如“要诚实、要无害”，让模型拿这些原则自我检查。问题是写原则很费人，而且原则往往很抽象——“要无害”到底什么意思？另一种是给一个宏大的价值口号，比如“对人类好”，听起来正确，落到具体场景几乎没法执行。作者的想法很朴素：既然人类社会已经把“什么不能做”写进了法律，为什么不直接拿法条当规矩？法律条文具体、有边界、可引用，比空泛的原则更适合教模型。
② 研究问题（要回答什么？）
论文要验证一个替代方案：能不能用成文法条文替代人手编写的伦理原则，来做大模型的安全对齐？具体问三件事：第一，把用户的问题先归类到某个法律主题，再调出对应条文让模型自我批判和改写，这套流程能不能真的减少有害输出？第二，它和常规的宪法式对齐相比，效果更好还是更差，成本高不高？第三，这种“依法对齐”在不同模型上都成立吗，还是只对某一个模型有效？
③ 研究方法（怎么做的？）
作者的做法叫 Statutory AI，分两步，两步都用“思维链”提示。第一步是分类：先把用户的问题扔给一个分类模型，判断它属于哪个法律主题——作者选了法国刑法里的五类：歧视、泄露机密信息、暴力、欺诈、侵害弱势者。第二步是批判与改写：根据主题调出法条库里相关的条文，连同原问题一起交给模型，让它先分析“这样回答违反了哪一条”，再重写一个合规版本。整个流程只跑一轮，因为相关法条在第一轮就全部提供了。测试用了一千条公开的红队攻击提示，覆盖上述五类主题；被测试的模型有三个：Mistral 7B、Gemini 2.5 Flash 和 Qwen3-VL-30B；评判由 GPT-5 主判、Gemini 2.5 Flash 辅判。
④ 结果（发现了什么？）
效果很明显：在三个模型上，Statutory AI 把有害回答的比例降低了 52 到 59 个百分点，比标准的宪法式对齐（Constitutional AI）还高出约 10 个百分点，同时把计算时间削减了一半以上。作者分析，优势来自两点：一是法条比原则具体，模型知道“红线”画在哪；二是分类之后只调相关条文，上下文更短、更聚焦，所以又快又准。值得注意的是，即便是原本很容易被攻破的 Mistral 7B，在这套流程下也有明显改善，说明方法不依赖某个特定模型的“天赋”。作者也做了人工抽查，确认判断质量不是评判模型自己“放水”。
⑤ 讨论（这些发现说明什么？）
作者认为，这项工作的意义不只是“效果好一点”，而是提供了一种可审计的对齐路径：模型为什么拒绝、依据哪一条法律，是可以被追溯和检查的，而不是黑箱里的一句“我觉得不安全”。这对监管尤其重要——监管者可以直接问“你依据哪条法规做的判断”。但作者也坦承局限：法条库需要专业维护和更新；跨法域迁移不是简单换语言，而是整套法律体系要重新映射；评判仍依赖大模型，存在偏好；此外，模型对法条的理解是否准确，本身也需要审计。
⑥ 结论（最终结论 + 启示）
结论是：用成文法条文做对齐，比抽象伦理原则更具体、更可执行，在减少有害内容上效果更好、成本更低，是一条值得监管机构与模型厂商合作的治理路径。但它不是“装上法条就万事大吉”：法条要持续维护，跨法域要重新适配，最终判断仍需人类与审计机制兜底。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
AI 对齐的主流路径有两类：以 Constitutional AI 为代表的人工编写原则 + 自我批判，以及以 GfH（Good-for-Humanity）为代表的宏观规范性框架。前者依赖大量人工监督且原则编写成本高，后者过于抽象、难以提供可操作的治理指引。本文提出 Statutory AI：以成文法条文作为宪法框架，让模型在具体法律主题下自我批判与修订输出。其治理意义在于把“合规判断”从模糊的价值判断转为可引用的法条适用，从而提升可审计性。
I. Theoretical Framework & Hypotheses（理论框架与假设）
理论出发点是法律规范相较于伦理原则的三点优势：具体性（条文界定构成要件与边界）、可引用性（判断可追溯到具体条款）、制度嵌入性（法律本身具有执行与解释机制）。方法据此设计为两阶段 Chain-of-Thought：第一阶段把用户提示分类到预定义法律主题；第二阶段检索该主题下的相关条文，要求模型先做合规批判、再做修订。研究假设为：法律条文的具体性可提升有害内容的抑制效果，同时因上下文聚焦而降低计算成本。
M. Materials & Methods（材料与方法）
- 法律语料：法国刑法典中五个主题的条文——歧视、泄露机密信息、暴力、欺诈、侵害弱势者（如 Article 223-15-2）。
- 两阶段流程：①分类模型（Gemini 2.5 Flash）按批处理，将每条提示归入一个主题；②批判/修订模型接收原提示 + 该主题相关条文，执行一次 CoT 批判与改写（仅一轮，因条文已在首轮全部提供）。
- 被测模型：Mistral 7B（预期高脆弱性）、Gemini 2.5 Flash（预算内商用模型）、Qwen3-VL-30B-A3B-Thinking。
- 数据：从公开 Adversarial Dataset 随机抽取 1,000 条红队提示；该数据集在 Gemini 2.5 Flash 上初始脆弱率 58%、Mistral 7B 超过 93%。
- 对照：标准 Constitutional AI 流程（同一 CoT 指令、人工原则）。
- 评测：LLM-as-a-judge，GPT-5 为主判、Gemini 2.5 Flash 为辅助判（并讨论其潜在偏倚）；作者定期人工复核推理步骤。
R. Results（结果）
- 有害内容抑制：三个模型上有害回答下降 52–59 个百分点，较 Constitutional AI 高约 10 个百分点。
- 效率：计算时间削减 50% 以上，原因是分类后仅注入相关条文，上下文显著缩短。
- 跨模型稳健性：连初始脆弱率超过 93% 的 Mistral 7B 也获得显著改善，说明方法不依赖特定模型能力。
- 可审计性：每条拒绝/修订都可追溯到具体法条，形成“判断—依据”的对应关系。
- 评测效度：主判 GPT-5 与辅判 Gemini 2.5 结论一致；作者对推理步骤做人工抽查以降低 judge 偏差。
| 模型 | 相对基线有害内容变化 | 相对 Constitutional AI |
|---|---|---|
| Mistral 7B | −52 至 −59 pp | 约 +10 pp 优势 |
| Gemini 2.5 Flash | 同量级下降 | 约 +10 pp 优势 |
| Qwen3-VL-30B | 同量级下降 | 约 +10 pp 优势 |
| 计算时间 | 较基线减少 50% 以上 | |
a / D. Discussion & Conclusion（讨论与结论）
- 治理含义：把法条引入对齐，使拒绝行为具备可解释、可追溯的规范依据，便于监管审查与责任分配。
- 与原则式对齐的比较：法条更具体、边界更清晰，减少“原则正确但无法执行”的问题；但法条的适用范围与解释仍需专业判断。
- 局限：单一法域（法国刑法）与五个主题；法条库需专业维护与版本更新；跨法域需重新映射法律体系；judge 为 LLM，存在系统性偏好；模型对法条的理解准确性未被独立审计。
- 结论：成文法对齐在效果与成本上均优于原则式基线，为“可审计的合规对齐”提供了可行路径，但需制度化的法条维护与人类监督配套。
🧠 IRMaD 思维导图
mindmap
root((法定对齐))
I 引言
原则式对齐太抽象
人工编写成本高
法律条文更具体
R 框架
条文可引用
判断可追溯
两阶段思维链
M 方法
五类刑法主题
先分类再批判
对照宪法式对齐
一千条红队提示
R 结果
有害内容降 52 到 59 点
比宪法式高约 10 点
计算时间省一半
弱模型也受益
a 讨论
拒绝有法条依据
便于监管审计
跨法域需重映射
D 结论
可审计对齐路径
法条库要维护
人类监督兜底
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。