대규모 언어 모델(LLMs)은 안전한 요청에는 따르고 유해한 요청은 거부하도록 안전 정렬(safety alignment)에 의존합니다. 하지만 전통적인 거부 메커니즘은 종종 '경직된 거부(rigid rejection)'를 초래하는데, 이는 일반적인 템플릿('요청을 수행할 수 없습니다' 등)이 무차별적으로 거부를 유발하여 인간과 LLM 간의 상호작용 자연성을 심각하게 저해합니다. 이러한 문제를 해결하기 위해 본 논문에서는 레이블 강화를 통해 안전하면서도 유연하고 자연스러운 응답을 보장하는 LANCE를 제안합니다. 구체적으로, LANCE는 변분 추론(variational inference)을 사용하여 레이블 강화를 수행하며, 여러 거부 카테고리에 걸쳐 연속적인 분포를 예측합니다. 이러한 세밀한(fine-grained) 거부 분포는 리파인먼트 모델이 프롬프트의 위험한 요소를 중화할 수 있도록 다중 방향 텍스트 기울기(multi-way textual gradients)를 제공하며, 이를 통해 LLM은 상호작용의 자연성을 유지하면서도 경직된 거부를 피하는 안전한 응답을 생성할 수 있습니다. 실험 결과에 따르면 LANCE는 높은 보안 기준을 유지하면서 경직된 거부 문제를 크게 완화시키며, 도움성(helpfulness)과 응답의 자연성 측면에서 기존의 베이스라인 모델들을 크게 능가함을 입증했습니다.