以英语为中心的安全对齐未能迁移到尼日利亚语言。
资讯摘要
论文针对约鲁巴语和尼日利亚皮钦语，用400条显式对抗提示评估六款主流大模型，并由母语标注者打分。作者报告：部分模型对英文提示的拒绝率可达69%，对约鲁巴语却低至0%，但原因是模型未能理解提示而非更安全；多数模型在尼日利亚语言上的攻击成功率上升，GPT-4o Mini 在约鲁巴语上的跨语言安全差距最大（+0.23）。
要点速读
- 研究用400条对抗提示覆盖四类危害，由母语者评分并用 Cohen's κ 检验一致性。
- 作者报告约鲁巴语理解率普遍偏低，直接压低了表观攻击成功率，并不代表模型安全。
- Gemini 2.0 Flash 跨语言表现最一致；Aya 101 英文攻击成功率最高（0.60），约鲁巴语理解率仅0.28。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。