LLM 安全對齐中的理解-遏制脱鉤：低資源孟加拉語貶低言論的安全漏洞

Aligned in Form, Not in Meaning: The Comprehension - Containment Decoupling of LLM Safety in Low-Resource Bangla Derogatory Speech

arXiv cs.CL · 2026-08-05

摘要

研究團隊審計了五個前沿大語言模型在孟加拉語貶低性言論上的安全表現，發現模型的安全對齐主要針對高資源語言的表面形式，而非有害含義本身。這導致模型在理解低資源語言污辱詞與遏制其使用上存在脱鉤現象，模型對孟加拉語的理解能力存在 7.92 個百分點的缺陷，同時語言洩露率卻保持一致的 92.83%，揭示了當前 LLM 安全防護的語言偏見問題。

●開發者：需重視多語言安全對齐的深層語義理解，避免依賴表面形式的防護

●投資人：AI 安全技術領域仍存在重大漏洞，相關安全解決方案具商機

●一般用戶：低資源語言使用者面臨更高的有害內容接觸風險

重要性評分

75/100

🟠 值得關注

LLM 安全對齐多語言偏見孟加拉語安全

原文出處

上一則← 偏好非安全：成對偏好評估對臨床安全的指標效力有限下一則Apple 在訴訟中理解有誤，OpenAI 發布聲明澄清事實 →

喜歡這篇？每天早晨還有更多。

訂閱 5min AI，讓 AI 替你追蹤整個 AI 世界。