研究发现：78种语言的翻译提示存在安全漏洞

一项针对10种广泛使用的语言模型的研究发现，将有害请求翻译成78种低资源语言后，模型用英语拒绝请求的安全表现并不能稳定维持。研究人员称，在仅统计模型用英语作出安全回答的情形时，各模型平均遭遇翻译绕过的比例为21.9%至44.4%。

这一统计条件很重要：它有助于区分两种情况——翻译似乎绕过了模型的拒绝，还是模型原本就会用英语给出不安全回答。论文于2026年10月21日发表于arXiv，并被NeurIPS 2026语言模型安全研讨会接收。

研究发现了什么

作者测试了英语和另外78种语言，发现绕过风险集中在某些语系。他们表示，各模型总体上呈现相似模式，但也提醒，语言之间的排序受到翻译退化这一因素干扰：翻译文本可能因此变得失真或不自然。在他们采用控制措施后，不同模型之间的差异仍然显著。

研究还提醒，不应把各模型的比率当作可靠的排名。采用三种方法估算同一指标时，10种模型中有9种的名次发生变化，尽管模型给出的实际回答并未改变。

尚不明确的问题

摘要没有列出受测模型、语言或提示数量，因此无法说明这些结果适用于哪些具体聊天机器人或日常使用场景。论文衡量的是一种特定的翻译提示威胁，并未涵盖所有类型的安全失效。