形式对齐而非意义对齐：大语言模型在孟加拉语贬损言论中理解与抑制的脱钩现象

一项针对五个前沿大语言模型的研究，评测其在孟加拉语贬损语言上的安全对齐，发现模型对低资源语言的理解与抑制能力脱钩：孟加拉语理解存在7.92个百分点差距，但token泄漏率与英语相同（92.83%）。思维链提示可提升理解但削弱抑制，专家角色框架使拒绝率降至6.57%。

此前安全对齐主要依赖高资源语言基准，该研究首次系统验证低资源语言下的安全漏洞。结果显示，即使模型在高资源语言上表现安全，对低资源语言仍存在理解不足与抑制失效并存的问题，且现有关键词过滤无法识别具有群体贬损含义的词汇，对面向多语言用户的产品构成实际风险。

安全对齐机制绑定在高资源语言的表面形式（如拼写、词形）上，而非有害语义。孟加拉语等低资源语言的俚语因训练数据不足，模型难以理解。而tokenizer对拼写变体的处理造成“抑制幻觉”，看似安全实则因无法识别。思维链能改善语义理解，但模型转化为抑制行动的能力仍缺失。

若产品面向孟加拉语或其他低资源语言用户，现有安全过滤器可能无效，需投入额外资源进行低资源语言的安全评测与调整。具体影响包括：增加研发成本以建立多语言安全测试集，修复可能被滥用的内容审核漏洞。

• 建立低资源语言安全评测集，纳入孟加拉语等语言，定期审计模型安全表现。
• 开发语义级内容审核系统，结合多语言embedding与语义分析，替代关键词过滤。
• 为高风险场景设计混合审查流程，当检测到低资源语言疑似贬损时引入人工审核。

• 该研究仅针对五个模型，其他模型是否存在相同模式？
• 研究中使用的孟加拉语数据集是否覆盖所有区域方言和俚语变体？
• 思维链提示在真实产品中是否可扩展，是否会引入额外延迟和成本？