多语言安全评估：组件翻译与评审标注拒答

论文提出按组件语言评估多语言拒答差异的新维度。

资讯摘要

论文提出“配对反转”方法：将完整请求组件或完整操作组件分别译为同一目标语言，在行为、英文框架与译段数量固定下比较拒答差异。作者在190个有害行为上测试英、中、西语九种配置，以语言模型评审判定拒答。Gemini 2.5 Flash与DeepSeek上三处拒答变化约5.3个百分点，第四处为-0.5，均未通过预设Holm校正；探索性扩展中Mistral Small 4西语变化13.7个百分点。

要点速读

1. 方法固定行为、英文框架和译段数量，仅改变组件语言与非英文文本量，形成九种配置。
2. Gemini 2.5 Flash与DeepSeek的拒答变化未通过六项Holm校正，GPT-5.4-mini估计接近零。
3. 探索性扩展中Mistral Small 4西语变化13.7个百分点，通过十二项Holm敏感性校正。

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。