总目录 大模型安全研究论文整理 2026年版：https://blog.csdn.net/WhiffeYF/article/details/159047894
https://openreview.net/forum?id=ueknOG1wXL
ICLR 2026 | 一次对齐多语言受益
📄 该论文题为《Align Once, Benefit Multilingually: Enforcing Multilingual Consistency for LLM Safety Alignment》，由Yuyan Bu、Xiaohao Liu、Zhaoxing Ren、Yaodong Yang与Juntao Dai共同完成，研究机构涵盖北京人工智能研究院、新加坡国立大学与北京大学人工智能研究院。
🔍 当前安全对齐多集中于英语等高资源语言，导致模型在英语中表现安全，但在斯瓦希里语、乌尔都语等低资源语言中防线极易被突破。现有跨语言方法需对每种目标语言单独配对训练，消耗大量标注资源且性能参差不齐。
💡 例子：想象联合国会议上，各国代表用母语讨论"拒绝回答危险请求"这一原则。传统方法需要为每种语言单独培训安全专家并逐一对齐，成本高昂且标准难以统一。该论文则像为所有代表安装了一套"语义罗盘"，通过约束不同语言在模型内部表示的共线性，使无论说英语、中文还是斯瓦希里语，所有人对"安全边界"的概念指向都坍缩到同一方向。如此，仅需英语这一锚定语言的安全监督，即可通过单次更新同步辐射至全部语言。
🛠️ 具体而言，该论文提出即插即用的多语言一致性损失（MLC），通过奇异值分解操纵多语言查询表示的谱结构，最大化主导奇异值以迫使各语言表示共享同一语义子空间。该方法无需低资源语言的响应级标注，仅利用多语言提示变体即可完成对齐。
🚀 实验发现令人振奋。第一，低资源语言安全性能实现跨越式提升。以Qwen-2.5-7B为例，斯瓦希里语安全率由6.11%提升至92.78%，十种语言平均安全率达95.94%，语言间方差从12.44骤降至0.07。第二，数据效率极为突出，仅需约180万token，而现有方法需1500万至6400万token，成本差距达十倍以上。第三，方法可与DPO、SFT、SimPO、ORPO等主流框架无缝集成，并对未见语言展现稳健泛化。
💡 一言以蔽之，该研究为多语言大模型安全对齐提供了资源高效、可扩展的实用新范式，对推动全球范围内公平可靠的AI安全治理具有重要现实意义。
