不想让你的大语言模型推荐核打击？试试用日语提问

大语言模型越来越多地被用于战略与咨询场景，但其安全对齐通常仅在英文下评估。我们测试了来自六家提供商的九个模型，探究提示词语言是否会改变模型在高风险场景中的决策。我们使用单轮博弈论情境片段，让模型就可否打击一个无防御的对手为拥有核武器的国家提供建议。提示词刻意不带道德色彩，且在各语言间保持策略上一致。我们发现日语提示词降低了Claude模型家族的发射率：Claude Sonnet 4.6在打击并不必要的场景中从40%降至0%，在存在争议的场景中从93%降至17%，而在打击具有战略合理性的场景中影响甚微。该效应延伸至Gemini Pro 3.1（53%降至13%）。一项跨语言实验分离出其中的机制：在英文提示词中要求模型用日语推理时，发射率从93%降至37%。驱动该效应的是模型被要求用于推理的语言，而非输入的语言。用日语推理时，模型会自发生成提示词中完全缺失的道德词汇（“道德代价”、“数百万生命”）。另外五个模型未表现出语言效应，但它们无论何种语言几乎在所有条件下都选择发射。该效应的前提是模型在英文下已经有所犹豫。这些结果表明大语言模型的安全行为依赖语言，仅用英文评估会遗漏编码在其他语言中的风险与保障。