大型语言模型（LLM）在生成能力上取得显著进展，但仍易受到 jailbreak 攻击，导致输出有害或不安全。现有的安全对齐方法，如监督微调（SFT）和基于人类反馈的强化学习（RLHF），往往需要大量针对攻击的标注和计算资源，且仍会出现浅层对齐和过度拒绝的问题。\ \ 为了解决这些瓶颈，我们提出 SSRFT（Supervised Safe-Role Fine-Tuning），首次将安全对齐重新表述为预定义安全角色的内化过程。SSRFT 通过心理测量题、有限的 jailbreak 提示以及安全角色描述，构建 Safe-Role Question-Answer（SRQA）数据集。角色一致的回答先由模型合成，再经过人工或自动验证，随后在多样化情境下扩展，形成覆盖广泛的训练样本，使模型学习安全价值观和原则，而非单纯的拒绝模式。\ \ 实验在多种 Base 模型和 Instruct 模型上进行，对比标准 SFT。结果显示，SSRFT 在前缀注入攻击下表现出更高的鲁棒性，对未见的 jailbreak 领域也能更好地泛化；同时在普通查询上显著降低了过度拒绝率，且保持了模型的通用生成能力。\ \ 这些发现表明，安全角色内化是一种有效的、超越拒绝中心的安全对齐策略，为构建更可靠的 LLM 提供了新路径。\ \ 点评：SSRFT 通过角色内化实现了更稳健、更通用的安全对齐，值得在实际部署中进一步验证与推广。