LASA：在语义瓶颈处进行跨语言语义对齐以提升大模型安全性

大语言模型（LLM）通常在高资源语言中具有较好的安全表现，却在低资源语言提问下暴露严重漏洞。研究将这一差距归因于两种能力的不匹配：模型具备与语言无关的语义理解能力，但安全对齐仍偏向高资源语言。与这一假设一致，实验识别了大模型中的语义瓶颈，即模型表征几何主要由共享语义内容、而非语言身份决定的中间层。基于这一发现，研究提出语言无关语义对齐（LASA），将安全对齐直接锚定到语义瓶颈。实验表明，LASA显著改善了各语言的安全性：LLaMA-3.1-8B-Instruct的平均攻击成功率（ASR）从24.7%降至2.8%，在Qwen2.5和Qwen3 Instruct模型（7B–32B）上约为3%–4%。研究从表征层面解释大模型安全性，指出安全理解应锚定到模型的语言无关语义空间，而非表层文本。