跨语言安全鸿沟：面向全球南方语言的高效、文化感知对齐
计算与语言
2026-02-17 v1
摘要
大型语言模型(LLM)正在全球南方地区部署，日常使用涉及低资源语言、代码混合以及特定文化规范。然而，安全管道、基准测试和对齐方法仍主要针对英文及少数高资源语言，隐含假设安全性在语言间“传递”。不断出现的证据表明这种假设不成立。我们综合了近期研究发现表明：(i)安全警戒在低资源和代码混合输入上显著削弱，(ii)即使在标准毒性评分看起来可接受的情况下，文化有害行为仍可能存在，(iii)英文唯一知识编辑和安全补丁往往难以传递到低资源语言。在此基础上，我们为全球南方地区的研究者和学生提出实用方案：参数高效的安全驾驶、文化基础评估与偏好数据，以及赋能当地社区定义和缓解伤害的参与式工作流程。我们的目标是将多语言安全确立为实现欠代表区域公平AI的核心要求，而非附加功能。
引用
@article{arxiv.2602.13867,
title = {Bridging the Multilingual Safety Divide: Efficient, Culturally-Aware Alignment for Global South Languages},
author = {Somnath Banerjee and Rima Hazra and Animesh Mukherjee},
journal= {arXiv preprint arXiv:2602.13867},
year = {2026}
}
备注
Accepted to the EGSAI Workshop at AAAI 2026