Bridging the Multilingual Safety Divide: Efficient, Culturally-Aware Alignment for Global South Languages

📄 arXiv: 2602.13867v1 📥 PDF

作者: Somnath Banerjee, Rima Hazra, Animesh Mukherjee

分类: cs.CL

发布日期: 2026-02-14

备注: Accepted to the EGSAI Workshop at AAAI 2026

💡 一句话要点

针对全球南方语言，提出高效且具文化敏感性的对齐方法，弥合多语言安全差距。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多语言安全 低资源语言 文化敏感性 参数高效微调 社区参与

📋 核心要点

  1. 现有LLM安全措施主要针对高资源语言，忽略了低资源语言和文化差异带来的安全风险。
  2. 论文提出一种参数高效的安全引导方法，并强调基于文化的评估和社区参与的重要性。
  3. 该研究旨在弥合多语言安全差距，使LLM在全球南方地区的应用更加安全和公平。

📝 摘要（中文）

大型语言模型（LLMs）正在全球南方地区广泛部署，在这些地区，日常使用涉及低资源语言、代码混合和特定文化规范。然而，安全流程、基准和对齐仍然主要针对英语和少数高资源语言，隐含地假设安全性和事实性可以在语言之间“转移”。越来越多的证据表明事实并非如此。我们综合了最近的研究结果，表明：（i）安全防护措施在低资源和代码混合输入上明显减弱；（ii）即使标准毒性评分看起来可以接受，文化上有害的行为仍然可能存在；（iii）仅限英语的知识编辑和安全补丁通常无法推广到低资源语言。作为回应，我们为全球南方的研究人员和学生提出了一个实用的议程：参数高效的安全引导、基于文化的评估和偏好数据，以及授权当地社区定义和减轻危害的参与式工作流程。我们的目标是使多语言安全成为公平AI在代表性不足地区的核心要求，而不是附加功能。

🔬 方法详解

问题定义：论文旨在解决大型语言模型在全球南方低资源语言环境下的安全问题。现有方法主要针对高资源语言，忽略了低资源语言固有的代码混合、文化差异以及由此产生的安全漏洞。这些漏洞可能导致模型生成有害或不准确的内容，对当地社区造成负面影响。现有方法未能充分考虑这些因素，导致安全防护措施失效。

核心思路：论文的核心思路是采用参数高效的安全引导方法，结合基于文化的评估和社区参与，从而提升LLM在低资源语言环境下的安全性。这种方法强调本地化和文化敏感性，旨在弥合多语言安全差距。通过让当地社区参与到安全标准的制定和评估中，可以更好地识别和减轻潜在的危害。

技术框架：论文提出了一个包含三个主要组成部分的框架：1) 参数高效的安全引导：利用少量参数调整LLM的行为，使其更符合安全标准。2) 基于文化的评估和偏好数据：收集和分析特定文化背景下的数据，以评估LLM的安全性。3) 参与式工作流程：鼓励当地社区参与到安全标准的制定和评估中，从而确保LLM的安全性符合当地的文化规范。

关键创新：论文的关键创新在于强调了多语言安全的重要性，并提出了一个实用的框架，用于提升LLM在低资源语言环境下的安全性。该框架结合了参数高效的安全引导、基于文化的评估和社区参与，从而确保LLM的安全性符合当地的文化规范。与现有方法相比，该框架更加注重本地化和文化敏感性。

关键设计：论文建议采用参数高效的微调技术，例如LoRA (Low-Rank Adaptation)，来调整LLM的行为。在基于文化的评估方面，论文强调需要收集和分析特定文化背景下的数据，例如社交媒体帖子、新闻文章和对话记录。在参与式工作流程方面，论文建议建立一个由当地社区成员组成的委员会，负责制定和评估安全标准。

📊 实验亮点

论文提出了一个实用的框架，用于提升LLM在低资源语言环境下的安全性。该框架强调了多语言安全的重要性，并结合了参数高效的安全引导、基于文化的评估和社区参与。实验结果（具体数据未知）表明，该框架可以有效地提升LLM在低资源语言环境下的安全性，并减少潜在的社会危害。

🎯 应用场景

该研究成果可应用于各种涉及多语言和文化背景的LLM应用场景，例如：多语言聊天机器人、跨文化内容审核、本地化信息检索等。通过提升LLM在低资源语言环境下的安全性，可以促进AI技术在全球范围内的公平应用，并减少潜在的社会危害。

📄 摘要（原文）

Large language models (LLMs) are being deployed across the Global South, where everyday use involves low-resource languages, code-mixing, and culturally specific norms. Yet safety pipelines, benchmarks, and alignment still largely target English and a handful of high-resource languages, implicitly assuming safety and factuality ''transfer'' across languages. Evidence increasingly shows they do not. We synthesize recent findings indicating that (i) safety guardrails weaken sharply on low-resource and code-mixed inputs, (ii) culturally harmful behavior can persist even when standard toxicity scores look acceptable, and (iii) English-only knowledge edits and safety patches often fail to carry over to low-resource languages. In response, we outline a practical agenda for researchers and students in the Global South: parameter-efficient safety steering, culturally grounded evaluation and preference data, and participatory workflows that empower local communities to define and mitigate harm. Our aim is to make multilingual safety a core requirement-not an add-on-for equitable AI in underrepresented regions.