跳到正文
arXiv · AI· Rashad Aziz, Ikhlasul Akmal Hanif, Fajri Koto·· 2026-10-06AI 评分32

低资源语言安全失效是行动失效,而非表征失效

Low-Resource Safety Failures Are Action Failures, Not Representation Failures

AI 导读

三个指令微调模型在 23 种语言上的测试显示,有害请求拒绝率从高资源语言的 87.9% 降至低资源语言的 43.9%,无害拒绝率则保持低位。 从高资源语言激活中学习的有害性方向仍能区分低资源语言的有害与无害提示,但有害性分数整体下移,使有害提示更难进入触发拒绝的区间。 研究据此提出免训练方法,用少量目标语言样本校准阈值,拒绝选择性达 54.5,同时保持 MMLU 效用。

来源:arXiv · AI · arxiv.org