arXiv cs.CL· Anastasiia Ivanova·· 12 小时前AI 评分31
拒绝方向在低资源语言中是否普遍适用？研究扩展至白俄罗斯语、巴什基尔语和塔吉克语
Is Refusal Direction Universal across Low-Resourced Languages?
AI 导读
研究将 PolyRefuse 扩展至白俄罗斯语、巴什基尔语和塔吉克语三种低资源语言，并在 Qwen2.5-14B-Instruct 上复现 Wang et al. (2025) 的流程，发现拒绝方向的普遍性是分级的而非二元的：来自安全对齐和部分对齐语言的拒绝方向可广泛迁移，而来自严重错位语言的方向在排除天花板效应后无法可靠调控任何目标语言的拒绝行为。
正文 · AI 翻译
摘要：已有研究表明，拒绝方向在安全对齐的语言之间可以跨语言迁移，且近乎完全有效（Wang et al., 2025），据称与资源水平无关。然而，唯一被评估的真正低资源语言是约鲁巴语，而该语言严重错位，迁移效果有限，这使得拒绝方向在其他低资源语言中的表现仍不明确。我们将 PolyRefuse 扩展到另外三种低资源语言（白俄罗斯语、巴什基尔语和塔吉克语），并在 Qwen2.5-14B-Instruct 上复现了（Wang et al., 2025）的流程。我们发现，普遍性是分级的而非二元的：来自安全对齐和部分对齐语言的方向可以广泛迁移，而来自严重错位语言的方向，在考虑天花板效应后，无法可靠地调节任何被测目标的拒绝行为，包括其他错位语言。几何对齐与行为迁移进一步被证明是部分分离的。这些发现使普遍性主张变得复杂，并表明使用资源最少、错位最严重语言的用户可能面临更弱的安全保障。
| 评论： | BlackboxNLP@EMNLP 2026：可复现性专题 |
| 主题： | 计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.28897 [cs.CL] |
| （或 arXiv:2610.28897v1 [cs.CL] 为本版本） | |
| https://doi.org/10.48550/arXiv.2610.28897 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Anastasiia Ivanova [查看邮箱]
[v1]
2026年10月20日星期二 20:19:40 UTC（1,603 KB）
来源：arXiv cs.CL · arxiv.org