同一模型用英语和阿拉伯语提问，拒绝行为竟不同？

引言

最近，Reddit 上的一篇帖子引发了关于 AI 模型安全对齐的热议。发帖者声称，对同一个模型、同样一组有害话题，分别用英语、现代标准阿拉伯语（MSA）和埃及阿拉伯语提问，模型给出的拒绝回答行为存在差异。这一现象不仅让人质疑多语言场景下模型安全机制的一致性，也触及了 AI 伦理中更深层的公平性问题。

现象：语言不同，拒绝行为也不同

根据原帖描述，作者对同一模型进行了受控测试，仅改变提问语言，话题本身保持不变。结果显示，模型在英语下会明确拒绝回答这些有害话题，而在 MSA 和埃及阿拉伯语下的反应则有所不同。虽然帖子没有提供具体的拒绝率数字，但作者的核心观察是：语言变了，安全边界似乎也跟着变了。

这一观察之所以值得关注，是因为它挑战了“模型安全对齐是语言无关”的默认假设。如果模型在不同语言下对同一有害请求采取不同策略，那么某些语言可能成为绕过安全护栏的“漏洞”。

为什么会出现这种差异？

训练数据分布不均

大多数主流模型的安全对齐训练数据以英语为主，低资源语言（包括阿拉伯语方言）的安全样本相对稀缺。模型可能没有见过足够多的阿拉伯语有害请求示例，导致其难以准确识别和拒绝。

低资源语言指在互联网文本、公开语料和标注数据中数量远少于英语等主流语言的语言。阿拉伯语整体上并非极端低资源，但内部差异很大：现代标准阿拉伯语（MSA）拥有较多新闻、宗教和文学语料，而埃及阿拉伯语等口语方言在书面语料中占比很小，且书写不规范、缺乏统一正字法。对安全对齐而言，关键不只是语言整体数据量，而是“有害请求—拒绝回复”这类安全样本的分布。安全样本通常需要人工标注或红队测试生成，成本高，厂商往往优先覆盖英语。结果是模型在阿拉伯语方言上既缺少识别有害意图的训练信号，也缺少学习“应该如何拒绝”的示范，安全行为自然更不稳定。

方言与标准语的处理差异

现代标准阿拉伯语（MSA）是书面和正式场合使用的变体，而埃及阿拉伯语是口语方言。模型对两者的理解能力可能不同，对有害内容的识别敏感度也随之变化。原帖作者特别区分了这两种变体，暗示差异可能不仅存在于语言之间，也存在于同一语言的不同变体之间。

现代标准阿拉伯语（MSA） 是阿拉伯世界的书面通用语，用于新闻、教育、官方文件和宗教文本，语法规范、词汇统一。埃及阿拉伯语则是埃及日常口语，在词汇、语法和发音上与 MSA 有明显差别，且很少作为规范书面语出现。对语言模型而言，MSA 的训练语料更充足、形态更规整，模型对其语义理解更可靠；方言文本则拼写随意、常混用拉丁字母转写（如 Arabizi），模型可能只能部分理解其含义。当模型对一句方言请求的语义把握本身就不确定时，它对“这是否是有害请求”的判断也会更不稳定，从而表现出与 MSA、英语不同的拒绝行为。这也解释了为何同一语言的不同变体之间也会出现安全差异。

对齐策略的泛化不足

安全对齐通常通过 RLHF 或规则过滤实现，但这些方法在多语言上的泛化能力有限。模型可能学会了“英语中的有害请求长什么样”，却没有将这一判断迁移到其他语言。

RLHF（基于人类反馈的强化学习） 是当前主流的安全对齐方法：先让人工标注者对模型输出进行偏好排序，训练一个奖励模型来近似人类判断，再用强化学习优化语言模型以最大化该奖励。问题在于，RLHF 的奖励信号高度依赖标注数据的语言构成——若标注者与数据以英语为主，奖励模型学到的“有害性”判断也主要反映英语语境下的文化规范和表达习惯。多语言场景下，同一有害意图在阿拉伯语中的措辞、隐喻或委婉表达可能与英语差异很大，奖励模型难以给出准确评分。此外，为控制成本，很多团队会用翻译后的数据做对齐，但机器翻译容易丢失方言中的语气和隐含意图，导致对齐效果在不同语言间出现落差。

规则过滤则是在输入或输出端用关键词黑名单、分类器等方式拦截有害内容。这类方法同样面临多语言覆盖问题：英文关键词库容易构建，阿拉伯语方言的拼写变体、阿拉伯文字与拉丁转写混用等情况会显著增加漏检风险。RLHF 与规则过滤共同构成了当前安全护栏，但它们对低资源语言和方言的泛化能力天然弱于英语，这正是原文所述差异的技术根源之一。

安全对齐的公平性挑战

这一现象引出了一个更深层的问题：AI 安全应该是语言中立的。如果模型对某些语言的用户“更安全”，而对另一些语言的用户“更宽松”，那么实际上造成了不同语言用户受到的保护不对等。对于全球化的 AI 产品而言，这种不一致性可能带来合规和伦理风险。

此外，恶意用户可能利用这一差异，通过切换语言来诱导模型输出有害内容。这不仅是技术问题，也是安全策略设计时需要考量的攻击面。

可能的改进方向

要解决多语言安全对齐不一致的问题，可以从几个方向入手：

• 扩充多语言安全训练数据：在低资源语言和方言上增加有害请求的标注样本，提升模型的识别能力。
• 跨语言对齐迁移：利用英语等高资源语言的安全知识，通过翻译或跨语言表示学习迁移到其他语言。
• 统一的安全评估基准：建立多语言安全测试集，系统性地衡量模型在不同语言下的拒绝行为一致性。

结语

Reddit 上的这个观察虽然来自单一来源，但它指出的问题值得整个 AI 社区重视。多语言安全对齐不是锦上添花的附加项，而是模型公平性和可靠性的核心组成部分。随着 AI 产品在全球范围普及，确保每个语言用户都获得同等水平的安全保护，应当成为模型开发的基本要求。

注：本文基于 Reddit 用户分享的观察，相关现象尚未经过大规模系统性验证，具体结论需以更严谨的评测为准。