多语言指令致Agent守卫判定显著波动

该研究通过构建LinguaGuardBench基准测试，发现当用户指令从英语翻译为德语、法语、土耳其语、斯瓦希里语和阿姆哈拉语时，绝大多数开源小模型及专用Agent守卫的判定结果会发生超出噪声水平的变化，且语言越稀有误判率越高。在9个参数量低于130亿的守卫中，经白空间对照调整后的翻转率从法语的+1.5个百分点上升至阿姆哈拉语的+4.4个百分点，而前沿守卫如Gemini 3.8 Flash则保持完全一致。 证据显示这种损害集中在特定指令上，事后分析表明当Agent推理过程重述英语请求时，守卫因检测到通道间的不一致性而产生误判。参数量在120亿至300亿之间的开源守卫假阳性率最高增加5.0个百分点，而召回率的显著损失（最高达-7.4个百分点）仅发生在参数量低于100亿的守卫中。相比之下，英语改写对所有守卫的影响均小于翻译带来的影响。 事实层面，该基准包含来自TS-Bench AgentDojo-Traj的1,220个标记步骤，释放了48.9万次判定结果；推断层面，当前以英语为主的安全对齐方案在多语言部署中存在结构性风险，可能无法覆盖非英语用户的真实攻击面；猜测层面，若未来Agent系统需支持全球市场，必须重新评估基于英语训练的守卫机制或引入多语言微调策略，否则可能在非英语语境下失效。