英语安全评测为何不够：MSafeTemp将多语言与文化语境带入对齐训练

2026年11月5日阅读约 3 分钟

导语

大语言模型的安全对齐，长期以来主要围绕英语数据、英语攻击和英语拒答能力展开。但模型在英语中的表现，并不能自然推导出它在其他语言中的安全性。对于低资源语言，训练样本不足、表达差异以及地区化风险主题，都会让安全防线出现盲区。

Swiss AI Initiative的研究团队提出了一个模板化的数据增强流程，并发布MSafeTemp语料库，试图把多语言和文化语境更系统地纳入安全训练与评测。

这项工作的关键并不是简单地把英语提示翻译成多种语言，而是先从安全相关提示中提取可复用的模板，再对模板进行翻译，并填入符合当地文化语境的实体。填充内容既包括有害主题，也包括良性主题，从而同时构造拒答训练数据和正常请求数据。

研究团队还使用经过验证的文化卡片，帮助生成更贴近地区背景的内容。这样做可以扩大主题和表达方式的覆盖面，避免数据集只围绕少数英语文化中的风险案例展开。

最终发布的MSafeTemp覆盖60种语言，包含约200万条多语言安全对齐提示，可用于模型训练，也可用于安全评测。相关流程和数据已开放，方便研究者复现和进一步扩展。

论文给出的核心观察是：英语安全评测并不足以代表模型的整体安全表现。对一些模型而言，在英语中无法奏效的攻击，翻译到其他语言后可能获得成功。更进一步，加入地区化实体和本地语境后，还会发现仅靠直译无法暴露的风险。

这说明跨语言安全并非“把同一句话翻译一下”这么简单。不同语言的语义边界、表达习惯、文化知识和风险话题分布，都会影响模型对请求的理解与拒答。若评测只覆盖英语，开发者可能看不到这些差异。

对模型开发者来说，MSafeTemp提供了一种扩展安全数据的工程路径：通过模板复用提高数据规模和多样性，同时用文化实体填充增强本地相关性。论文还报告称，基于模板增强的数据能够带来更丰富、更高质量的对齐效果，并改善英语之外的安全表现。

对评测工作而言，这项研究提醒行业重新审视“单语言安全分数”。未来的安全测试需要覆盖更多语言，并区分普通翻译样本与真正本地化的风险场景。对低资源语言用户来说，这不仅关系到拒答是否一致，也关系到模型能否在不同文化环境中提供更负责任的服务。

当然，模板化生成并不意味着数据质量可以自动得到保证。多语言语义、文化真实性和有害内容标注仍需要验证。MSafeTemp的价值，首先在于提供开放的规模化起点：让多语言安全不再只是英语安全的附属测试，而成为对齐流程中的独立组成部分。