大模型低资源语言翻译安全绕过率最高达44.4%

该研究评估了十款广泛部署的大语言模型在79种语言（含英语及78种低资源语言）下的安全性，发现英语环境中的安全拒绝行为在翻译成低资源语言后可能失效，产生不安全回复。在条件于英语安全完成的情况下，平均绕过率分布在21.9%至44.4%之间，表明英语安全对齐并未可靠地转移到其他语言。 绕过风险集中在特定的语言族中，这一模式在不同模型间具有共性，且与翻译退化现象混淆但差异显著。研究还指出，单模型的绕过率排名并不稳定：在三种估计同一指标的条件方案下，十款模型中有九款的排名发生变化，而底层响应内容并未改变。这意味着仅凭单一维度的安全评估无法准确反映模型在多语言场景下的真实风险分布。 事实层面确认了翻译作为安全绕过手段的有效性及其在低资源语言中的高发生率；推断显示当前以英语为主的安全对齐机制存在结构性盲区，可能误导产品全球化部署的风险评估；猜测认为若不及时针对非英语语言进行专项测试与优化，模型在实际应用中可能面临不可控的合规与安全挑战。