★ 3
研究：低资源语言拒答方向迁移不具普遍性，Qwen2.5-14B 实验
论文将 PolyRefuse 扩展到白俄罗斯语、巴什基尔语和塔吉克语，在 Qwen2.5-14B-Instruct 上复现拒答方向迁移实验。结果显示拒答方向的普遍性是分级的而非二元的：安全对齐语言的方向可广泛迁移，而严重未对齐语言的方向无法可靠调控拒答行为，提示最弱势语言用户面临更弱的安全保障。
arXiv NLP11 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文将 PolyRefuse 扩展到白俄罗斯语、巴什基尔语和塔吉克语，在 Qwen2.5-14B-Instruct 上复现拒答方向迁移实验。结果显示拒答方向的普遍性是分级的而非二元的：安全对齐语言的方向可广泛迁移，而严重未对齐语言的方向无法可靠调控拒答行为，提示最弱势语言用户面临更弱的安全保障。
论文研究安全对齐模型在角色扮演或叙事包装下绕过拒答的漏洞，构建跨语言基准 GUISE，覆盖英语、现代汉语与文言文。实验显示 Qwen3-1.7B 在文言文下攻击成功率高达 95.7%。团队提出 AXIS 方法，结合偏好优化与旋转目标，在 Qwen3-1.7B、Qwen3-4B 与 GLM-4-9B…