论文解析 LLM 跨语言安全护栏退化 英语竟更易失效

COLM2026 新论文用多群组 IRT 把跨语言安全总分拆解为语言无关安全鲁棒性、提示词内在难度、全局语言处理难度与提示词特定跨语言差距四个维度；对 10 种语言、61 个模型配置的分析显示安全能力主要呈单一维度，但 22 个配置中英语安全性反而低于低资源语言，总分掩盖了诊断信号。

2026-08-17 ~ 2026-08-17 · 4 条相关