多语言模型在安全对齐上的“漏洞”：土耳其语 vs 英语

用土耳其语去问 Qwen2.5-7B，触发拒绝回答（Refusal）的概率比用英语低 3 倍。这个数据揭示了一个很讽刺的现象：大模型虽然能听懂多种语言，但它的“安全意识”在不同语言之间根本不对等。

简单来说，模型在英语语料上被灌了大量的对齐数据，所以它知道哪些话题是禁区；但在小语种上，这种约束力明显下降。但有趣的是，研究发现这种“拒绝”的行为在模型内部其实共用同一个向量方向。这意味着，即便它在土耳其语下没拒绝你，但只要你把土耳其语触发的那个“拒绝方向”提取出来，强行迁移到其他语言上，模型依然能表现出拒绝行为。

这给我们的启示是，目前的模型安全对齐更多是在做“语言表层”的补丁，而不是真正理解了语义层面的禁忌。对于研究 AI Agent 或尝试破限的玩家来说，切换低资源语言依然是一个非常有效的实操路径，因为对齐在不同语言间的迁移存在严重的滞后和不均匀。