迷失在翻译中？复合危害跨语言迁移的比较研究

大多数大型语言模型(LLM)的安全评估仍以英语为主。翻译常被用作探索多语言行为的捷径，但它很少能捕捉到全貌，尤其是当有害意图或结构在不同语言间发生变形时。某些类型的危害在翻译后几乎完整保留，而其他类型则会扭曲或消失。为了研究这种效应，我们引入了 CompositeHarm，这是一个基于翻译的基准，旨在考察安全对齐在句法和语义均发生变化时的表现。它结合了两个互补的英文数据集：针对结构化对抗性攻击的 AttaQ，以及涵盖上下文性、现实世界危害的 MMSafetyBench，并将它们扩展到六种语言：英语、印地语、阿萨姆语、马拉地语、卡纳达语和古吉拉特语。使用三个大型模型，我们发现攻击成功率在印度语言中急剧上升，尤其是在对抗性句法下，而上下文性危害的迁移则更为温和。为了确保可扩展性和能效，我们的研究采用了受边缘AI设计原理启发的轻量级推理策略，在保持跨语言保真度的同时，减少了冗余的评估轮次。这种设计使得大规模多语言安全测试在计算上可行且环境友好。总体而言，我们的结果表明，翻译后的基准是构建扎实的、资源感知的、语言自适应安全系统的必要第一步，但并非充分条件。