XL-SafetyBench：基于国家情境的跨文化 LLM 安全与文化敏感性基准

现有 LLM 安全基准主要以英语为中心，常依赖翻译，难以覆盖特定国家的伤害类型，也很少将文化背景中的敏感问题与普遍伤害区分评估。论文提出 XL-SafetyBench，包含10组国家—语言组合、共5,500项测试：越狱基准包含立足具体国家情境的对抗提示，文化基准在无害请求中嵌入本地敏感性。每项测试通过多阶段流程构建，结合 LLM 辅助发现、自动验证门控，以及每个国家两名独立母语标注者。为区分有原则的拒绝与理解失败，研究在攻击成功率 ASR 之外引入中性安全率 NSR 和文化敏感性率 CSR。对10个前沿模型及27个本地模型的评测发现：前沿模型的越狱稳健性与文化意识没有耦合关系，综合安全分数会掩盖各维度差异；本地模型存在近似线性的 ASR—NSR 权衡关系（r=-0.81），说明其表面安全性可能反映生成失败，而非真实对齐。基准支持更细致的多语言跨文化安全评估。