测试了三个模型的拒答边界，差异挺明显

用一批边界任务测：涉及个人隐私推理、灰色行业咨询、有争议的技术判断。

观察：

• 有的模型拒得很干脆，但会把真正正常的问题也拒掉（过度保守）
• 有的几乎不拒，但回答里带免责声明，实际信息量还行
• 有的拒答话术很长，但换个问法就答了（不一致）

对开发者来说，「不一致」最难处理。你的兜底逻辑没法依赖它的拒答行为。

实用建议：

1. 别把业务逻辑建在模型的拒答判断上
2. 上生产前用真实用户问题跑一遍，看拒答率
3. 准备好兜底话术，拒答时给用户一个出口

这个维度很少有人测，但上线后最容易出问题。