为什么安全护栏会随着语言的不同而降低？

大语言模型 在非英语语言中表现出安全性下降。标准评估依赖于越狱成功率（JSR），它将多个安全驱动因素混为一谈，模糊了安全失败的具体原因。我们引入了潜在变量模型，即多组项目响应理论（IRT）框架，该框架将与语言无关的安全鲁棒性（$θ$）、内在提示硬度（$β$）、全局语言处理难度（$γ$）和提示特定的跨语言安全差距（$τ$）解耦。使用 MultiJail 数据集，我们评估了 5 个封闭模型系列和 10 种不同资源语言的 61 种模型配置的安全稳健性，聚合了包含 190 万条响应的数据集。探索性因素分析表明，安全性主要是一维的：模型主要通过共享机制拒绝不同的伤害类型。与低资源语言中安全性大幅下降的预期趋势相反，22 种模型配置在英语中比在低资源语言中更容易受到攻击。低资源语言比高资源语言产生更多不确定的响应（高熵）。此外，高 $τ$ 提示聚集在盗窃和武器等物理伤害类别以及资源较低的语言中，这些趋势通过跨数据集概括得到验证。虽然全球翻译质量与 $τ$ 的相关性较低，但正如母语人士所验证的那样，严重的误译会导致高偏差异常值。文化和概念基础的不匹配也可能导致$τ$。在预测验证中，IRT 框架实现了 $\mathrm{AUC} = 0.940$，并且与速率基线不同的是，当整个语言被保留时，IRT 框架仍保持预测性 ($0.875$)。我们的框架揭示了聚合指标模糊的概念语言漏洞，从而实现更公平的跨语言安全评估和数据集构建的有针对性的改进。