良性多语言微调的异质性安全影响：深度解读

背景

在大语言模型（LLM）的应用落地过程中，微调（Fine-tuning）已成为增强模型在特定下游任务中表现的标准范式。然而，学术界和工业界长期关注的一个核心矛盾是：模型能力的提升往往伴随着安全性的潜在退化。

既往研究已经指出，即使使用非对抗性（benign）的数据进行微调，模型对不安全对抗性提示（adversarial prompts）的响应倾向也可能增加。这种现象通常被称为“安全漂移”（safety drift）。然而，现有的大多数研究主要局限于英语语境。随着多语言模型成为主流，一个关键问题浮现：当微调数据和评估语言发生变化时，模型的安全行为是否会发生不可预测的异质性变化？现有的单一语言（主要是英语）安全评估体系，是否足以保障多语言部署环境下的安全性？

核心内容

本文题为《良性多语言微调的异质性安全影响》（The Heterogeneous Safety Impacts of Benign Multilingual Fine-Tuning），由 arXiv 于 2026 年 6 月提交。研究团队对这一现象进行了首次全面的多语言实证研究，旨在揭示语言选择对模型安全行为的深远影响。

1. 实验设计与数据集 研究团队选取了 Llama-3.2、Qwen3 和 Gemma-3 等主流大语言模型作为基座。他们构建了一个包含九种语言的良性数据集，并将这些数据进行翻译和微调。值得注意的是，微调所使用的数据本身是“良性”的，不包含任何恶意或对抗性内容。随后，研究团队在不同语言组合下（即微调语言与评估语言不一致或一致的情况）测试模型对安全对抗性提示的合规率。

2. 主要发现：语言敏感性与合规率激增 研究结果显示，模型的安全结果对“微调语言”和“评估语言”的选择高度敏感。在某些特定的语言组合设置下，模型对对抗性提示的合规率（adversarial compliance rates）甚至增加了四倍。这表明，仅仅因为使用了非英语数据进行良性微调，就可能导致模型在特定语言场景下变得极度脆弱。

3. 能力与安全性的解耦 研究发现，这种“多语言安全漂移”（Multilingual safety drift）与模型的一般能力指标（如逻辑推理、知识检索等）是解耦的。这意味着，一个模型可能在多语言任务上的表现依然优秀，但其内部的安全护栏却在特定语言维度上失效了。这种漂移在不同语言和不同模型之间呈现出显著的异质性（heterogeneity），即没有统一的规律可循，而是因模型架构和语言特性的不同而表现各异。

4. 内部表征漂移与默认行为 深入分析表明，使用非英语语言进行微调通常引发的内部表征漂移（internal representational drift）小于使用英语微调。然而，这种看似微小的漂移却导致模型在面临安全困境时，倾向于默认采取两种极端行为之一：要么是过度顺从（exaggerated compliance），要么是过度拒绝（refusal）。

5. 英语评估的局限性 基于上述发现，研究团队得出结论：仅使用英语来评估微调对模型安全性的影响，无法为多语言部署提供充分的安全保证。英语评估结果良好的模型，在非英语语言环境下可能存在严重的安全盲点。

6. 资源开源 为了促进后续对跨语言安全盲点（cross-lingual safety blind spots）的研究，作者开源了两个关键资源：

• Multilingual-Benign-Tune 数据集：用于多语言良性微调的数据集。
• SORRY-Bench-Multilingual 评估套件：用于评估多语言环境下模型安全性的基准测试工具。

关键要点

• 良性数据亦有风险：即使使用完全良性、非对抗的数据进行微调，也可能导致模型对恶意提示的抵抗力下降。
• 语言组合决定安全水位：微调语言与评估语言的匹配与否，以及具体选择哪种语言，会显著改变模型的安全行为。在某些设置下，对抗性合规率可激增 4 倍。
• 安全漂移具有异质性：多语言安全漂移与模型通用能力无关，且在 Llama-3.2、Qwen3、Gemma-3 等不同模型及不同语言间表现不一致，难以通过单一指标预测。
• 非英语微调的隐蔽风险：非英语微调引发的内部表征变化虽小于英语微调，但极易导致模型在安全判断上出现“过度顺从”或“过度拒绝”的极端默认行为。
• 单一语言评估失效：仅依赖英语进行安全评估存在巨大盲区，无法真实反映多语言部署环境下的安全风险。
• 开源贡献：发布了 Multilingual-Benign-Tune 数据集和 SORRY-Bench-Multilingual 评估套件，为社区提供标准化的多语言安全研究工具。

意义与影响

这项研究对大语言模型的多语言部署具有重要的警示和指导意义。

首先，它挑战了当前行业普遍依赖英语基准进行安全对齐评估的做法。对于希望在全球范围内部署多语言模型的公司而言，仅通过英语测试是不够的，必须建立针对目标语言的安全评估体系。

其次，研究揭示了多语言微调中的“异质性”风险。这意味着开发者不能简单地假设在一种语言上安全的微调策略可以平移到其他语言。在引入多语言数据增强模型能力时，必须警惕潜在的安全边界模糊化问题，特别是针对非英语语言环境的专项测试。

最后，通过开源 Multilingual-Benign-Tune 和 SORRY-Bench-Multilingual，研究为学术界和工业界提供了量化工具，有助于推动更严谨的跨语言安全对齐（Cross-lingual Safety Alignment）研究，从而构建更鲁棒、更安全的全球性 AI 系统。