上游决定、下游写入：定位并定价多语言MoE的跨语言拒答回路

多语言模型的安全对齐是不均衡的：一个在英语中可靠拒绝有害请求的模型，在低资源语言中往往会对同一请求表示顺从。我们在sarvam——一个印度语系多语言专家混合（MoE）推理模型——中从机制上追溯这一差距，发现它并非未能检测到危害。危害被编码为一个在网络中部近乎语言无关的内部方向（L11处英语与印度语系的余弦相似度约0.9），并且在上游引导该方向可因果地控制拒答。但检测方向与真正"写入"拒答的变化是正交的，后者发生得晚，是在生成过程中逐步组装的，而非在单次前向传播中读取。我们将该写入归因于一个特定、可定位的回路——一个受注意力"对抗者"（opposer）牵制的专家混合"写入者"（writer）——并为每一种干预方式定价：阻尼对抗者廉价且有效；放大写入者面临成本高墙；对相关注意头的精细手术编辑则毫无作用。该回路的组织方式以及暴露它的梯度方法，在第二个无关的MoE模型中同样出现，而该杠杆的强度则依赖于具体架构。最终成果是一张带成本度量的地图，标明多语言安全修复可以落在哪里，以及代价是什么。