论文发布覆盖60种语言的MSafeTemp安全对齐语料库
资讯摘要
论文提出基于模板的可扩展增强流程，从有害提示中提取安全模板，翻译后填入文化上真实的实体，生成大规模多语言拒答与良性语料，并发布覆盖60种语言的MSafeTemp语料库。作者报告，仅用英语评估会误判多语言安全性：部分模型在英语中失败的攻击翻译后成功，文化本地化变体还暴露出翻译无法覆盖的失败；用模板增强安全训练可提升英语以外的安全表现。
要点速读
- 论文提出模板式增强流程，从有害提示提取安全模板，翻译后填入文化本地化实体，生成拒答与良性语料。
- 作者发布MSafeTemp，称其为经校验、覆盖60种语言的语料库，用于多语言安全对齐与评估。
- 作者报告仅英语评估会误判多语言安全，翻译后攻击可成功，本地化变体暴露更多失败；模板增强训练可改善英语以外安全表现。
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。